After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis 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
Program kursu
Plan kursu
1
Modelowanie prostej regresji liniowej
Poznasz podstawy tego popularnego modelu statystycznego – czym jest regresja i czym różni się regresja liniowa od logistycznej. Następnie nauczysz się dopasowywać proste modele regresji liniowej z numerycznymi i kategorycznymi zmiennymi objaśniającymi oraz opisywać zależność między zmienną odpowiedzi a zmiennymi objaśniającymi za pomocą współczynników modelu.
- Historia dwóch zmiennych50 XP
- Która zmienna jest zmienną zależną?50 XP
- Wizualizacja dwóch zmiennych numerycznych100 XP
- Dopasowywanie regresji liniowej50 XP
- Oszacuj punkt przecięcia z osią y50 XP
- Oszacuj nachylenie50 XP
- Regresja liniowa z ols()100 XP
- Kategoryczne zmienne objaśniające50 XP
- Wizualizacja zmiennej numerycznej i kategorycznej100 XP
- Obliczanie średnich według kategorii100 XP
- Regresja liniowa z kategoryczną zmienną objaśniającą100 XP
2
Prognozy i obiekty modelu
W tym rozdziale nauczysz się, jak używać modeli regresji liniowej do prognozowania cen nieruchomości na Tajwanie oraz liczby kliknięć w reklamy na Facebooku. Rozwiniesz też swoje umiejętności w zakresie regresji – zapoznasz się z obiektami modelu, zrozumiesz pojęcie „regresji do średniej" i nauczysz się przekształcać zmienne w zbiorze danych.
3
Ocena dopasowania modelu
W tym rozdziale nauczysz się oceniać dopasowanie modelu. Dowiesz się, jak mierzyć jakość dopasowania modelu regresji liniowej, diagnozować problemy za pomocą wizualizacji oraz analizować dźwignię i wpływ poszczególnych obserwacji na model.
4
Modelowanie prostej regresji logistycznej
Nauczysz się dopasowywać modele regresji logistycznej. Korzystając z rzeczywistych danych, będziesz prognozować prawdopodobieństwo zamknięcia konta bankowego przez klienta – wyrażone jako prawdopodobieństwo sukcesu i iloraz szans – oraz oceniać jakość modelu za pomocą macierzy pomyłek.
Wprowadzenie do regresji z użyciem statsmodels w Pythonie
Kurs
ukończony
