Cursus
Introductie tot regressie met statsmodels in Python
GemiddeldVaardigheidsniveau
Bijgewerkt 03-2026Start Cursus Kosteloos
Inbegrepen bijPremium or Teams
PythonProbability & Statistics4 u14 videos53 Opdrachten4,150 XP58,140Prestatieverklaring
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.Geliefd bij leerlingen van duizenden bedrijven
Wil je 2 of meer mensen trainen?
Probeer DataCamp for BusinessCursusbeschrijving
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.Vereisten
Introduction to Data Visualization with SeabornIntroduction to Statistics in Python1
Simple Linear Regression Modeling
You’ll learn the basics of this popular statistical model, what regression is, and how linear and logistic regressions differ. You’ll then learn how to fit simple linear regression models with numeric and categorical explanatory variables, and how to describe the relationship between the response and explanatory variables using model coefficients.
2
Predictions and model objects
In this chapter, you’ll discover how to use linear regression models to make predictions on Taiwanese house prices and Facebook advert clicks. You’ll also grow your regression skills as you get hands-on with model objects, understand the concept of "regression to the mean", and learn how to transform variables in a dataset.
3
Assessing model fit
In this chapter, you’ll learn how to ask questions of your model to assess fit. You’ll learn how to quantify how well a linear regression model fits, diagnose model problems using visualizations, and understand each observation's leverage and influence to create the model.
4
Simple Logistic Regression Modeling
Learn to fit logistic regression models. Using real-world data, you’ll predict the likelihood of a customer closing their bank account as probabilities of success and odds, and quantify model performance using confusion matrices.
Introductie tot regressie met statsmodels in Python
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprek
Inbegrepen bijPremium or Teams
Schrijf Je Nu inSluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Introductie tot regressie met statsmodels in Python!
Maak je gratis account aan
of
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.