Kurs
Wprowadzenie do regresji z użyciem statsmodels w Pythonie
ŚredniozaawansowanyPoziom umiejętności
Zaktualizowano 06.2026
PythonProbability & Statistics4 godz.14 filmów53 Ćwiczenia4,150 XP60,156Zaświadczenie o ukończeniu
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
Uwielbiany przez kursantów z tysięcy firm
Szkolisz zespół?
Wypróbuj dla firmOpis kursu
Użyj Python statsmodels do regresji liniowej i logistycznej
Regresja liniowa i regresja logistyczna to dwa z najczęściej stosowanych modeli statystycznych. Działają jak klucze główne, odblokowując sekrety ukryte w Twoich danych. W tym kursie zdobędziesz umiejętności dopasowywania prostych regresji liniowych i logistycznych.Dzięki praktycznym ćwiczeniom poznasz zależności między zmiennymi w rzeczywistych zbiorach danych, w tym dotyczących roszczeń z ubezpieczeń komunikacyjnych, cen domów na Tajwanie, rozmiarów ryb i nie tylko.
Odkryj, jak tworzyć prognozy i oceniać dopasowanie modelu
Zaczniesz ten 4-godzinny kurs od poznania, czym jest regresja i czym różnią się regresja liniowa oraz logistyczna, a także nauczysz się, jak stosować obie. Następnie nauczysz się, jak używać modeli regresji liniowej do prognozowania na podstawie danych, a jednocześnie zrozumiesz obiekty modeli.W miarę postępów nauczysz się oceniać dopasowanie swojego modelu oraz sprawdzać, jak dobrze pasuje Twój model regresji liniowej. Wreszcie zagłębisz się w modele regresji logistycznej, aby tworzyć prognozy na podstawie rzeczywistych danych.
Poznaj podstawy analizy regresji w Pythonie
Po ukończeniu tego kursu będziesz wiedzieć, jak tworzyć prognozy na podstawie swoich danych, mierzyć skuteczność modelu i diagnozować problemy z dopasowaniem modelu. Dowiesz się, jak używać Python statsmodels do analizy regresji i będziesz potrafić zastosować te umiejętności do rzeczywistych zbiorów danych.Wymagania wstępne
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.
Wprowadzenie do regresji z użyciem statsmodels w Pythonie
Kurs ukończony
Zdobądź zaświadczenie o ukończeniu
Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysuUdostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz
Dołącz do ponad 19 milionów kursantów i zacznij Wprowadzenie do regresji z użyciem statsmodels w Pythonie już dziś!
Utwórz bezpłatne konto
Kontynuuj z GooglePokaż więcej opcjilub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz to, że Twoje dane są przechowywane w USA.
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.