Przejdź do głównej treści

Strona główna Python

Kurs

Regresja średnio zaawansowana ze statsmodels w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 05.2022

Naucz się wykonywać regresję liniową i logistyczną z wieloma zmiennymi objaśniającymi.

Zacznij kurs za darmo

PythonProbability & Statistics

4 godz.

14 filmów

52 Ćwiczenia

4,300 XP

15,760

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Regresja liniowa i regresja logistyczna to dwa najszerzej stosowane modele statystyczne – działają jak uniwersalne klucze, otwierające tajemnice ukryte w zbiorach danych. W tym kursie rozwiniesz umiejętności zdobyte w „Wprowadzeniu do regresji w Pythonie ze statsmodels", poznając regresję liniową i logistyczną z wieloma zmiennymi objaśniającymi. Dzięki praktycznym ćwiczeniom zbadasz zależności między zmiennymi w rzeczywistych zbiorach danych – dotyczących cen nieruchomości na Tajwanie, modelowania rezygnacji klientów i nie tylko. Po ukończeniu kursu będziesz wiedzieć, jak uwzględniać wiele zmiennych objaśniających w modelu, jak interakcje między zmiennymi wpływają na prognozy oraz jak działają regresja liniowa i logistyczna.

Wymagania wstępne

Introduction to Regression with statsmodels in Python

1

Parallel Slopes

Extend your linear regression skills to parallel slopes regression, with one numeric and one categorical explanatory variable. This is the first step towards conquering multiple linear regression.

Parallel slopes linear regression

Fitting a parallel slopes linear regression

Interpreting parallel slopes coefficients

Visualizing each explanatory variable

Visualizing parallel slopes

Predicting parallel slopes

Predicting with a parallel slopes model

Visualizing parallel slopes model predictions

Manually calculating predictions

Assessing model performance

Comparing coefficients of determination

Comparing residual standard error

Zacznij rozdział

2

Interactions

Explore the effect of interactions between explanatory variables. Considering interactions allows for more realistic models that can have better predictive power. You'll also deal with Simpson's Paradox: a non-intuitive result that arises when you have multiple explanatory variables.

Models for each category

One model per category

Predicting multiple models

Visualizing multiple models

Assessing model performance

One model with an interaction

Specifying an interaction

Interactions with understandable coeffs

Making predictions with interactions

Predicting with interactions

Manually calculating predictions with interactions

Simpson's Paradox

Modeling eBay auctions

Modeling each auction type

Zacznij rozdział

3

Multiple Linear Regression

See how modeling and linear regression make it easy to work with more than two explanatory variables. Once you've mastered fitting linear regression models, you'll get to implement your own linear regression algorithm.

Two numeric explanatory variables

Interactive 3D scatter plot

Visualizing three numeric variables

Modeling two numeric explanatory variables

Visualizing two numeric explanatory variables

Including an interaction

More than two explanatory variables

Visualizing many variables

Different levels of interaction

Predicting again

How linear regression works

The sum of squares

Linear regression algorithm

Zacznij rozdział

4

Multiple Logistic Regression

Extend your logistic regression skills to multiple explanatory variables. You’ll also learn about logistic distribution, which underpins this form of regression, before implementing your own logistic regression algorithm.

Multiple logistic regression

Logistic regression with two explanatory variables

Logistic regression prediction

Visualizing multiple explanatory variables

Confusion matrix

The logistic distribution

Cumulative distribution function

Inverse cumulative distribution function

Logistic distribution parameters

How logistic regression works

Likelihood & log-likelihood

Logistic regression algorithm

Congratulations!

Zacznij rozdział

Regresja średnio zaawansowana ze statsmodels 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 Regresja średnio zaawansowana ze statsmodels 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.