Pular para o conteúdo principal

Curso

Modelos Lineares Generalizados em Python

AvançadoNível de habilidade

Atualizado 10/2022

Amplie sua caixa de ferramentas de regressão com os modelos logístico e de Poisson e aprenda a treiná-los, entendê-los e validá-los, além de fazer previsões.

Iniciar Curso Gratuitamente

PythonProbability & Statistics5 h16 vídeos59 Exercícios4,950 XP11,834Certificado de conclusão

Crie sua conta gratuita

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.

Preferido por alunos de milhares de empresas

Treinar 2 ou mais pessoas?

Experimentar DataCamp for Business

Descrição do curso

Imagine poder trabalhar com dados em que a variável resposta é binária, de contagem ou aproximadamente normal, tudo dentro de um único framework. Pois é, você não precisa imaginar. Bem-vindo ao curso de Modelos Lineares Generalizados em Python! Neste curso, você vai ampliar sua caixa de ferramentas de regressão com os modelos logístico e de Poisson, aprendendo a ajustar, interpretar, avaliar o desempenho do modelo e, por fim, usar o modelo para fazer previsões em novos dados. Você vai praticar com dados de estudos do mundo real, como o maior envenenamento populacional da história, a nidificação de caranguejos-ferradura e a contagem de ciclistas nas pontes de Nova York.

Pré-requisitos

Introduction to Linear Modeling in Python

1

Introduction to GLMs

Review linear models and learn how GLMs are an extension of the linear model given different types of response variables. You will also learn the building blocks of GLMs and the technical process of fitting a GLM in Python.

Going beyond linear regression

Applying linear models

Linear model, a special case of GLM

How to build a GLM?

Data type and distribution family

Linear model and a binary response variable

Comparing predicted values

How to fit a GLM in Python?

Model fitting step-by-step

Results of the model fit using summary()

Extracting parameter estimates

Iniciar Capítulo

2

Modeling Binary Data

This chapter focuses on logistic regression. You'll learn about the structure of binary data, the logit link function, model fitting, as well as how to interpret model coefficients, model inference, and how to assess model performance.

Binary data and logistic regression

Compute odds and probabilities

Fit logistic regression

Interpreting coefficients

Coefficients in terms of odds

Model formula

Interpreting logistic model

Rate of change in probability

Interpreting model inference

Statistical significance

Computing Wald statistic

Confidence intervals

Computing and describing predictions

Visualize model fit using regplot()

Compute predictions

Compute confusion matrix

Iniciar Capítulo

3

Modeling Count Data

Here you'll learn about Poisson regression, including the discussion on count data, Poisson distribution and the interpretation of the model fit. You'll also learn how to overcome problems with overdispersion. Finally, you'll get hands-on experience with the process of model visualization.

Count data and Poisson distribution

Visualize the response

Fitting a Poisson regression

Interpreting model fit

Estimate parameter lambda

Interpret Poisson coefficients

Poisson confidence intervals

The Problem of Overdispersion

Is the mean equal to the variance?

Computing expected number of counts

Checking for overdispersion

Fitting negative binomial

Confidence intervals for negative Binomial model

Plotting a regression model

Plotting data and linear model fit

Plotting fitted values

Iniciar Capítulo

4

Multivariable Logistic Regression

In this final chapter you'll learn how to increase the complexity of your model by adding more than one explanatory variable. You'll practice with the problem of multicollinearity, and with treating categorical and interaction terms in your model.

Multivariable logistic regression

Fit a multivariable logistic regression

The effect of multicollinearity

Compute VIF

Comparing models

Checking model fit

Compare two models

Deviance and linear transformation

Model formula

Model matrix for continuous variables

Variable transformation

Coding categorical variables

Categorical and interaction terms

Modeling with categorical variable

Interaction terms

Congratulations!

Iniciar Capítulo

Modelos Lineares Generalizados em Python

Curso
concluído

Obtenha um certificado de conclusão

Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CV
Compartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se Agora

Faça como mais de 19 milhões de alunos e comece Modelos Lineares Generalizados em Python hoje mesmo!

Crie sua conta gratuita

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.

Desenvolva suas habilidades em dados com o app do DataCamp

Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.