본문으로 바로가기

강의

Python으로 배우는 Generalized Linear Models

고급기술 수준

업데이트됨 2022. 10.

로지스틱·포아송 회귀로 도구를 확장하고, 학습·해석·검증 방법과 예측까지 단계별로 익히세요.

무료로 강의 시작

PythonProbability & Statistics

5시간

16 동영상

59 연습 문제

4,950 XP

11,905

성취 증명서

수천 개 기업의 학습자들이 사랑하는

팀을 교육하시나요?

비즈니스용으로 체험해 보세요

강의 설명

반응 변수가 이진형이거나, 개수형이거나, 혹은 대략 정규 분포를 따를 때까지를 하나의 틀로 다룰 수 있다면 어떨까요? 상상만 할 필요는 없습니다. 바로 Python으로 배우는 Generalized Linear Models 코스로 시작해 보세요! 이 코스에서는 회귀 도구 상자를 확장해 로지스틱과 Poisson 모델을 학습하고, 적합하는 방법, 결과를 해석하는 방법, 모델 성능을 평가하는 방법, 그리고 최종적으로 새 데이터에 예측을 적용하는 방법을 익히게 됩니다. 세계 역사상 최대 규모의 인구 중독 사례, 말굽게의 산란, 뉴욕시 다리의 자전거 횡단 수 등 실제 연구 데이터를 사용해 실습해 볼 거예요.

선수 조건

Introduction to Linear Modeling in Python

1

Introduction to GLMs

Review linear models and learn how GLMs are an extension of the linear model given different types of response variables. You will also learn the building blocks of GLMs and the technical process of fitting a GLM in Python.

Going beyond linear regression

Applying linear models

Linear model, a special case of GLM

How to build a GLM?

Data type and distribution family

Linear model and a binary response variable

Comparing predicted values

How to fit a GLM in Python?

Model fitting step-by-step

Results of the model fit using summary()

Extracting parameter estimates

2

Modeling Binary Data

This chapter focuses on logistic regression. You'll learn about the structure of binary data, the logit link function, model fitting, as well as how to interpret model coefficients, model inference, and how to assess model performance.

Binary data and logistic regression

Compute odds and probabilities

Fit logistic regression

Interpreting coefficients

Coefficients in terms of odds

Model formula

Interpreting logistic model

Rate of change in probability

Interpreting model inference

Statistical significance

Computing Wald statistic

Confidence intervals

Computing and describing predictions

Visualize model fit using regplot()

Compute predictions

Compute confusion matrix

3

Modeling Count Data

Here you'll learn about Poisson regression, including the discussion on count data, Poisson distribution and the interpretation of the model fit. You'll also learn how to overcome problems with overdispersion. Finally, you'll get hands-on experience with the process of model visualization.

Count data and Poisson distribution

Visualize the response

Fitting a Poisson regression

Interpreting model fit

Estimate parameter lambda

Interpret Poisson coefficients

Poisson confidence intervals

The Problem of Overdispersion

Is the mean equal to the variance?

Computing expected number of counts

Checking for overdispersion

Fitting negative binomial

Confidence intervals for negative Binomial model

Plotting a regression model

Plotting data and linear model fit

Plotting fitted values

4

Multivariable Logistic Regression

In this final chapter you'll learn how to increase the complexity of your model by adding more than one explanatory variable. You'll practice with the problem of multicollinearity, and with treating categorical and interaction terms in your model.

Multivariable logistic regression

Fit a multivariable logistic regression

The effect of multicollinearity

Compute VIF

Comparing models

Checking model fit

Compare two models

Deviance and linear transformation

Model formula

Model matrix for continuous variables

Variable transformation

Coding categorical variables

Categorical and interaction terms

Modeling with categorical variable

Interaction terms

Congratulations!

Python으로 배우는 Generalized Linear Models

강의
완료

수료증 획득

LinkedIn 프로필, 이력서 또는 CV에 이 인증서를 추가하세요
소셜 미디어와 성과 평가에서 공유하세요지금 등록

19백만 명 이상의 학습자와 함께 Python으로 배우는 Generalized Linear Models을(를) 시작하세요!

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

모바일 강좌와 매일 5분 코딩 챌린지를 통해 이동 중에도 학습 효과를 높이세요.