Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Regressão linear e regressão logística são dois dos modelos estatísticos mais usados e funcionam como chaves-mestras, desvendando os segredos escondidos nos conjuntos de dados. Neste curso, você vai ampliar as habilidades que adquiriu em "Introduction to Regression in Python with statsmodels", aprendendo sobre regressão linear e logística com múltiplas variáveis explicativas. Com exercícios práticos, você vai explorar as relações entre variáveis em conjuntos de dados do mundo real, como preços de casas em Taiwan e modelagem de churn de clientes, entre outros. Ao final, você saberá como incluir múltiplas variáveis explicativas em um modelo, descobrirá como interações entre variáveis afetam as previsões e entenderá como funcionam a regressão linear e a regressão logística.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Inclinações Paralelas
Amplie suas habilidades de regressão linear para o modelo de inclinações paralelas, com uma variável explicativa numérica e uma categórica. Este é o primeiro passo para dominar a regressão linear múltipla.
- Regressão linear com inclinações paralelas50 XP
- Ajustando uma regressão linear de inclinações paralelas100 XP
- Interpretando os coeficientes de inclinações paralelas100 XP
- Visualizando cada variável explicativa100 XP
- Visualizando declives paralelos100 XP
- Prevendo declividades paralelas50 XP
- Prevendo com um modelo de inclinações paralelas100 XP
- Visualizando previsões do modelo de inclinações paralelas100 XP
- Calculando previsões manualmente100 XP
- Avaliando o desempenho do modelo50 XP
- Comparing coefficients of determination100 XP
- Comparando o erro padrão dos resíduos100 XP
2
Interações
Explore o efeito das interações entre variáveis explicativas. Considerar interações permite modelos mais realistas, que podem ter melhor poder preditivo. Você também vai lidar com o Paradoxo de Simpson: um resultado não intuitivo que surge quando há múltiplas variáveis explicativas.
3
Regressão Linear Múltipla
Veja como a modelagem e a regressão linear facilitam trabalhar com mais de duas variáveis explicativas. Depois de dominar o ajuste de modelos de regressão linear, você vai implementar seu próprio algoritmo de regressão linear.
4
Regressão Logística Múltipla
Amplie suas habilidades de regressão logística para múltiplas variáveis explicativas. Você também vai aprender sobre a distribuição logística, que sustenta esse tipo de regressão, antes de implementar seu próprio algoritmo de regressão logística.
Regressão Intermediária com statsmodels em Python
Curso
concluído
