After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
Usa Python statsmodels per la regressione lineare e logistica
La regressione lineare e la regressione logistica sono due dei modelli statistici più usati. Funzionano come chiavi universali, svelando i segreti nascosti nei tuoi dati. In questo corso imparerai come fare semplici regressioni lineari e logistiche.Attraverso esercizi pratici, esplorerai le relazioni tra le variabili in set di dati reali, tra cui richieste di risarcimento per assicurazioni auto, prezzi delle case a Taiwan, dimensioni dei pesci e altro ancora.
Scopri come fare previsioni e valutare l'adeguatezza dei modelli
Inizierai questo corso di 4 ore scoprendo cos'è la regressione e come si differenziano la regressione lineare e quella logistica, imparando come applicarle entrambe. Poi, imparerai come usare i modelli di regressione lineare per fare previsioni sui dati e capire gli oggetti del modello.Man mano che vai avanti, imparerai a capire quanto il tuo modello è adatto e quanto il tuo modello di regressione lineare funziona bene. Infine, approfondirai i modelli di regressione logistica per fare previsioni su dati reali.
Impara le basi dell'analisi di regressione in Python
Alla fine di questo corso, saprai come fare previsioni dai tuoi dati, capire quanto va bene un modello e individuare i problemi con l'adattamento del modello. Capirai come usare Python statsmodels per l'analisi di regressione e potrai mettere in pratica queste competenze su set di dati reali.Prerequisiti
Curriculum
Programma del corso
1
Modellazione di regressione lineare semplice
Imparerai le basi di questo modello statistico molto diffuso, che cos’è la regressione e in cosa differiscono regressione lineare e logistica. Poi vedrai come stimare modelli di regressione lineare semplice con variabili esplicative numeriche e categoriche e come descrivere la relazione tra variabile risposta ed esplicative usando i coefficienti del modello.
- Una storia di due variabili50 XP
- Qual è la variabile risposta?50 XP
- Visualizzare due variabili numeriche100 XP
- Adattare una regressione lineare50 XP
- Stima l'intercetta50 XP
- Stima la pendenza50 XP
- Regressione lineare con ols()100 XP
- Variabili esplicative categoriche50 XP
- Visualizzare numeriche vs. categoriche100 XP
- Calcolare le medie per categoria100 XP
- Regressione lineare con una variabile esplicativa categorica100 XP
2
Previsioni e oggetti modello
In questo capitolo scoprirai come usare modelli di regressione lineare per fare previsioni sui prezzi delle case a Taiwan e sui clic degli annunci Facebook. Farai anche un passo avanti con la regressione lavorando con gli oggetti modello, capendo il concetto di "regressione verso la media" e imparando a trasformare variabili in un insieme di dati.
3
Valutare l’adattamento del modello
In questo capitolo imparerai come interrogare il tuo modello per valutarne l’adattamento. Vedrai come quantificare quanto bene si adatta un modello di regressione lineare, diagnosticare problemi del modello con visualizzazioni e comprendere la leva e l’influenza di ciascuna osservazione nella costruzione del modello.
4
Modellazione di regressione logistica semplice
Impara a stimare modelli di regressione logistica. Con dati reali, prevederai la probabilità che un cliente chiuda il proprio conto bancario come probabilità di successo e odds, e quantificherai le prestazioni del modello usando le matrici di confusione.
Introduzione alla regressione con statsmodels in Python
Corso
completato
