Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
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
Program nauczania
Plan kursu
1
Równoległe nachylenia
Rozszerz swoje umiejętności w zakresie regresji liniowej o regresję z równoległymi nachyleniami, łączącą jedną numeryczną i jedną kategoryczną zmienną objaśniającą. To pierwszy krok na drodze do opanowania wielorakiej regresji liniowej.
- Regresja liniowa z równoległymi prostymi50 XP
- Dopasowywanie regresji liniowej z równoległymi prostymi100 XP
- Interpretacja współczynników modelu z równoległymi nachyleniami100 XP
- Wizualizacja każdej zmiennej objaśniającej100 XP
- Wizualizacja modelu z równoległymi prostymi100 XP
- Prognozowanie równoległych prostych50 XP
- Prognozowanie za pomocą modelu równoległych prostych100 XP
- Wizualizacja przewidywań modelu równoległych nachyleń100 XP
- Ręczne obliczanie prognoz100 XP
- Ocena jakości modelu50 XP
- Porównywanie współczynników determinacji100 XP
- Porównywanie resztowego błędu standardowego100 XP
2
Interakcje
Zbadaj wpływ interakcji między zmiennymi objaśniającymi. Uwzględnianie interakcji pozwala budować bardziej realistyczne modele o lepszej sile predykcyjnej. Zmierzysz się również z paradoksem Simpsona – nieintuicyjnym zjawiskiem, które pojawia się przy pracy z wieloma zmiennymi objaśniającymi.
3
Wieloraka regresja liniowa
Przekonaj się, jak modelowanie i regresja liniowa ułatwiają pracę z więcej niż dwiema zmiennymi objaśniającymi. Po opanowaniu dopasowywania modeli regresji liniowej zaimplementujesz własny algorytm regresji liniowej.
4
Wieloraka regresja logistyczna
Rozszerz swoje umiejętności w zakresie regresji logistycznej o wiele zmiennych objaśniających. Poznasz także rozkład logistyczny leżący u podstaw tego rodzaju regresji, a następnie zaimplementujesz własny algorytm regresji logistycznej.
Regresja średnio zaawansowana ze statsmodels w Pythonie
Kurs
ukończony
