Przejdź do głównej treści

Strona główna Python

Kurs

Uogólnione modele liniowe w Pythonie

ZaawansowanyPoziom umiejętności

Zaktualizowano 10.2022

Rozszerz swój zestaw narzędzi regresji o modele logistyczne i Poissona oraz naucz się je trenować, rozumieć, walidować i prognozować.

Zacznij kurs za darmo

PythonProbability & Statistics

5 godz.

16 filmów

59 Ćwiczeń

4,950 XP

11,905

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Wyobraź sobie, że możesz pracować z danymi, w których zmienna odpowiedzi jest binarna, zliczeniowa lub w przybliżeniu normalna – wszystko w jednym spójnym podejściu. Nie musisz tego sobie wyobrażać. Zapraszamy na kurs Uogólnione modele liniowe w Pythonie! W trakcie kursu rozszerzysz swój warsztat regresji o modele logistyczny i Poissona. Nauczysz się je dopasowywać, interpretować, oceniać ich skuteczność i wykorzystywać do prognozowania na nowych danych. Będziesz ćwiczyć na danych z prawdziwych badań – takich jak największe w historii zbiorowe zatrucie ludności, gniazdowanie krabów podkowiastych czy liczenie przejazdów rowerowych przez mosty w Nowym Jorku.

Wymagania wstępne

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

Zacznij rozdział

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

Zacznij rozdział

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

Zacznij rozdział

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!

Zacznij rozdział

Uogólnione modele liniowe w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Uogólnione modele liniowe w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.