Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
Regresja liniowa to podstawowe narzędzie statystyki, jednak nie radzi sobie z niektórymi typami złożonych danych. Uogólniony model liniowy (GLM) rozszerza regresję liniową o rozkłady inne niż normalny, w tym rozkład dwumianowy i dane zliczeniowe. W trakcie kursu wzbogacisz swój warsztat data science o GLM w R. Nauczysz się dopasowywać modele do danych dwumianowych za pomocą regresji logistycznej oraz do danych zliczeniowych za pomocą regresji Poissona. Dowiesz się również, jak interpretować wyniki tych modeli i wizualizować je przy użyciu ggplot2.
Wymagania wstępne
Program nauczania
Plan kursu
1
GLM – rozszerzenie narzędzi regresji
Ten rozdział pokazuje, w jaki sposób uogólnione modele liniowe rozszerzają inne narzędzia dostępne w twoim warsztacie data science. Rozdział wprowadza GLM na przykładzie regresji Poissona.
- Ograniczenia modeli liniowych50 XP
- Założenia modeli liniowych50 XP
- Przypomnienie dopasowywania modeli liniowych100 XP
- Regresja Poissona50 XP
- Dopasowywanie regresji Poissona w R100 XP
- Porównanie regresji liniowej i Poissona100 XP
- Wyrazy wolne – porównania versus średnie100 XP
- Podstawowe funkcje lm() w glm()50 XP
- Stosowanie summary(), print() i tidy() do glm100 XP
- Wyodrębnianie współczynników z glm()100 XP
- Prognozowanie z użyciem glm()100 XP
2
Regresja logistyczna
Ten rozdział omawia dopasowywanie modelu regresji logistycznej oraz analizę wyników modelu.
3
Interpretacja i wizualizacja GLM
Ten rozdział uczy, jak interpretować współczynniki GLM i wizualizować modele przy użyciu ggplot2.
4
Regresja wielokrotna z GLM
W tym rozdziale nauczysz się stosować regresję wielokrotną z użyciem GLM w R.
R
Uogólnione modele liniowe w R
Kurs
ukończony
