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 e la regressione logistica sono i due modelli statistici più usati e funzionano come chiavi maestre, capaci di svelare i segreti nascosti negli insiemi di dati. In questo corso, farai leva sulle competenze acquisite in "Introduzione alla regressione in Python con statsmodels", approfondendo regressioni lineari e logistiche con più variabili esplicative. Con esercizi pratici, esplorerai le relazioni tra variabili in insiemi di dati reali, come i prezzi delle case a Taiwan e il churn dei clienti, e altro ancora. Al termine del corso, saprai includere più variabili esplicative in un modello, capire come le interazioni tra variabili influenzano le previsioni e comprendere a fondo come funzionano la regressione lineare e quella logistica.
Prerequisiti
Programma
Struttura del corso
1
Pendenze parallele
Estendi le tue competenze sulla regressione lineare alla regressione a pendenze parallele, con una variabile esplicativa numerica e una categoriale. Questo è il primo passo per padroneggiare la regressione lineare multipla.
- Regressione lineare a pendenze parallele50 XP
- Adattare una regressione lineare a pendenze parallele100 XP
- Interpretare i coefficienti dei pendii paralleli100 XP
- Visualizzare ciascuna variabile esplicativa100 XP
- Visualizzare le pendenze parallele100 XP
- Prevedere le pendenze parallele50 XP
- Previsioni con un modello a pendenze parallele100 XP
- Visualizzare le previsioni del modello a pendenze parallele100 XP
- Calcolare manualmente le previsioni100 XP
- Valutare le prestazioni del modello50 XP
- Confrontare i coefficienti di determinazione100 XP
- Confrontare l'errore standard residuo100 XP
2
Interazioni
Esplora l’effetto delle interazioni tra variabili esplicative. Considerare le interazioni consente modelli più realistici e con migliore capacità predittiva. Affronterai anche il paradosso di Simpson: un risultato controintuitivo che emerge quando hai più variabili esplicative.
3
Regressione lineare multipla
Scopri come la modellazione e la regressione lineare semplificano il lavoro con più di due variabili esplicative. Una volta padroneggiata la stima dei modelli di regressione lineare, implementerai il tuo algoritmo di regressione lineare.
4
Regressione logistica multipla
Estendi le tue competenze sulla regressione logistica a più variabili esplicative. Imparerai anche la distribuzione logistica, che è alla base di questa forma di regressione, prima di implementare il tuo algoritmo di regressione logistica.
Regressione intermedia con statsmodels in Python
Corso
completato
