Introductie tot regressie met statsmodels in Python

Gebruik Python statsmodels voor lineaire en logistische regressie

Lineaire regressie en logistische regressie zijn twee van de meest gebruikte statistische modellen. Ze werken als een soort loper, waarmee je de geheimen ontrafelt die in je gegevens verborgen zitten. In deze cursus leer je hoe je eenvoudige lineaire en logistische regressies kunt toepassen.

Aan de hand van praktische oefeningen ga je de verbanden tussen variabelen in datasets uit de praktijk onderzoeken, zoals schadeclaims op autoverzekeringen, huizenprijzen in Taiwan, de grootte van vissen en nog veel meer.

Ontdek hoe je voorspellingen kunt doen en de modelpasvorm kunt beoordelen

Je begint deze cursus van 4 uur met uitleg over wat regressie is en hoe lineaire en logistische regressie van elkaar verschillen, en je leert hoe je beide kunt toepassen. Vervolgens leer je hoe je lineaire regressiemodellen kunt gebruiken om voorspellingen te doen op basis van gegevens, terwijl je tegelijkertijd inzicht krijgt in modelobjecten.

Naarmate je verder komt, leer je hoe je de geschiktheid van je model kunt beoordelen en hoe je kunt bepalen hoe goed je lineaire regressiemodel aansluit. Tot slot ga je dieper in op logistische regressiemodellen om voorspellingen te doen op basis van echte gegevens.

Leer de basisprincipes van regressieanalyse in Python

Aan het einde van deze cursus weet je hoe je voorspellingen kunt doen op basis van je gegevens, de prestaties van modellen kunt meten en problemen met de modelaanpassing kunt opsporen. Je leert hoe je Python statsmodels kunt gebruiken voor regressieanalyse en kunt deze vaardigheden toepassen op echte datasets.