Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
La regressione lineare è il cavallo di battaglia della statistica, ma non riesce a gestire alcuni tipi di dati complessi. Un modello lineare generalizzato (GLM) estende la regressione lineare per includere distribuzioni non normali, come i dati binomiali e i conteggi. In questo corso amplierai la tua cassetta degli attrezzi per la data science includendo i GLM in R. Nell’ambito dei GLM, imparerai a adattare un modello ai dati binomiali con la regressione logistica e ai dati di conteggio con la regressione di Poisson. Imparerai anche a interpretare questi risultati e a tracciarli con ggplot2.
Prerequisiti
Programma
Struttura del corso
1
I GLM, un’estensione della tua cassetta degli attrezzi per la regressione
Questo capitolo ti mostra come i modelli lineari generalizzati estendono altri modelli nella tua cassetta degli attrezzi per la data science. Il capitolo utilizza anche la regressione di Poisson per introdurre i modelli lineari generalizzati.
- Limiti dei modelli lineari50 XP
- Assunzioni dei modelli lineari50 XP
- Ripasso sul fitting di modelli lineari100 XP
- Regressione di Poisson50 XP
- Adattare una regressione di Poisson in R100 XP
- Confrontare regressione lineare e di Poisson100 XP
- Intercette: confronti vs medie100 XP
- Funzioni base di lm() con glm()50 XP
- Applicare summary(), print() e tidy() a glm100 XP
- Estrarre i coefficienti da glm()100 XP
- Prevedere con glm()100 XP
2
Regressione logistica
Questo capitolo spiega come eseguire una regressione logistica ed esaminare i risultati del modello.
3
Interpretare e visualizzare i GLM
Questo capitolo ti insegna a interpretare i coefficienti dei GLM e a tracciare i GLM con ggplot2.
4
Regressione multipla con i GLM
In questo capitolo imparerai a eseguire una regressione multipla con i GLM in R.
R
Generalized Linear Models in R
Corso
completato
