Przejdź do głównej treści

Strona główna R

Kurs

Modelowanie danych w Tidyverse

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 09.2022

Poznaj różne typy w modelowaniu danych, także do predykcji, i naucz się prowadzić regresję liniową oraz oceniać modele w Tidyverse.

Zacznij kurs za darmo

RProbability & Statistics

4 godz.

17 filmów

49 Ćwiczeń

3,900 XP

27,323

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

W tym kursie nauczysz się modelować dane. Modele służą do opisywania zależności między interesującą nas zmienną wynikową a zestawem zmiennych objaśniających lub predyktorów. Można je wykorzystywać zarówno do celów wyjaśniających – np. „Czy wiek wykładowców pomaga wyjaśnić ich oceny dydaktyczne?" – jak i predykcyjnych – np. „Jak dobrze można przewidzieć cenę domu na podstawie jego powierzchni i stanu technicznego?". Wykorzystasz swoje umiejętności z zakresu tidyverse do budowania i interpretacji takich modeli. Kurs koncentruje się na regresji liniowej – jednym z najczęściej stosowanych i najłatwiejszych do zrozumienia podejść do modelowania. Tego rodzaju myślenie i metody są szeroko stosowane w wielu dziedzinach, w tym w statystyce, wnioskowaniu przyczynowym, uczeniu maszynowym i sztucznej inteligencji.

Wymagania wstępne

Data Manipulation with dplyr

1

Wprowadzenie do modelowania

Ten rozdział wprowadzi cię w podstawy teorii i terminologii modelowania – omówimy ogólne ramy modelowania, różnicę między modelowaniem wyjaśniającym a predykcyjnym oraz problem modelowania. Zaczniesz też przeprowadzać pierwszą eksploracyjną analizę danych, która jest kluczowym krokiem przed przystąpieniem do właściwego modelowania.

Podstawy modelowania w celach wyjaśniających

Eksploracyjna wizualizacja zmiennej age

Statystyki opisowe zmiennej age

Wprowadzenie do modelowania predykcyjnego

Wizualizacja eksploracyjna wielkości domów

Transformacja log10 wielkości domu

Problem modelowania w kontekście wyjaśniania

EDA zależności między oceną nauczania a oceną „urody"

Korelacja między oceną nauczania a oceną „urody"

Problem modelowania w kontekście predykcji

EDA zależności między ceną domu a widokiem na wodę

Przewidywanie ceny domu z widokiem na wodę

Zacznij rozdział

2

Modelowanie z użyciem regresji prostej

Znając już ogólne ramy modelowania, w tym rozdziale zajmiemy się prostą regresją liniową. Uprościmy sprawę i będziemy modelować zmienną wynikową y jako funkcję jednej zmiennej objaśniającej lub predyktora x – zarówno numerycznego, jak i kategorycznego. Zmienną wynikową w tym rozdziale będą oceny dydaktyczne wykładowców Uniwersytetu Teksańskiego w Austin.

Wyjaśnianie oceny nauczania za pomocą wieku

Rysowanie linii regresji „najlepszego dopasowania"

Dopasowywanie regresji z numeryczną zmienną x

Przewidywanie oceny nauczyciela na podstawie wieku

Prognozowanie na podstawie „oceny atrakcyjności"

Obliczanie dopasowanych/przewidywanych wartości i reszt

Wyjaśnianie oceny nauczania za pomocą płci

EDA zależności między oceną a stopniem naukowym

Dopasowanie regresji z kategoryczną zmienną x

Przewidywanie oceny nauczania na podstawie płci

Prognozowanie na podstawie stanowiska

Wizualizacja rozkładu reszt

Zacznij rozdział

3

Modelowanie z użyciem regresji wielokrotnej

W poprzednim rozdziale poznałeś regresję prostą z jednym predyktorem – numerycznym lub kategorycznym. Po co jednak ograniczać się do jednej zmiennej? Teraz rozszerzymy regresję prostą do regresji wielokrotnej, która pozwala uwzględnić więcej niż jedną zmienną objaśniającą lub jeden predyktor. Do modelowania cen domów wykorzystasz zbiór danych z obszaru metropolitalnego Seattle w stanie Waszyngton.

Wyjaśnianie ceny domu za pomocą roku i powierzchni

EDA zależności

Dopasowywanie modelu regresji

Przewidywanie ceny domu na podstawie roku i powierzchni

Prognozowanie cen na podstawie powierzchni i liczby sypialni

Interpretacja reszt

Wyjaśnianie ceny domu za pomocą wielkości i stanu

Model równoległych prostych

Interpretacja modelu równoległych nachyleń

Przewidywanie ceny domu na podstawie powierzchni i stanu technicznego

Przewidywanie cen na podstawie rozmiaru i widoku na nabrzeże

Automatyzacja prognoz dla „nowych" domów

Zacznij rozdział

4

Ocena i wybór modelu

W poprzednich rozdziałach dopasowywałeś różne modele, aby wyjaśniać lub przewidywać interesującą nas zmienną wynikową. Skąd jednak wiadomo, który model wybrać? Miary oceny modelu pozwalają sprawdzić, jak dobrze model wyjaśniający „dopasowuje się" do danych oraz jak trafne są prognozy modelu predykcyjnego. Na ich podstawie poznasz kryteria wyboru „najlepszych" modeli.

Wybór i ocena modeli

Przypomnienie: suma kwadratów reszt

Który model wybrać?

Ocena dopasowania modelu za pomocą R-kwadrat

Obliczanie R-kwadrat modelu

Porównanie R-kwadrat dwóch modeli

Ocena prognoz za pomocą RMSE

Obliczanie MSE i RMSE modelu

Porównanie RMSE dwóch modeli

Struktura predykcji na zbiorze walidacyjnym

Dopasowanie modelu do danych treningowych

Przewidywanie na danych testowych

Podsumowanie – co dalej?

Zacznij rozdział

Modelowanie danych w Tidyverse

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 Modelowanie danych w Tidyverse 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.