Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Use o Python statsmodels para regressão linear e logística
A regressão linear e a regressão logística são dois dos modelos estatísticos mais usados. Eles funcionam como chaves mestras, revelando os segredos ocultos em seus dados. Neste curso, você adquirirá as habilidades necessárias para ajustar regressões lineares e logísticas simples.Por meio de exercícios práticos, você explorará as relações entre variáveis em conjuntos de dados do mundo real, incluindo reclamações de seguros de automóveis, preços de casas em Taiwan, tamanhos de peixes e muito mais.
Descubra como fazer previsões e avaliar o ajuste do modelo
Você começará este curso de 4 horas aprendendo o que é regressão e como a regressão linear e a regressão logística diferem, aprendendo a aplicar ambas. Em seguida, você aprenderá a usar modelos de regressão linear para fazer previsões sobre os dados e, ao mesmo tempo, entender os objetos do modelo.À medida que avançar, você aprenderá a avaliar o ajuste do modelo e a saber se o modelo de regressão linear está bem ajustado. Por fim, você se aprofundará nos modelos de regressão logística para fazer previsões em dados reais.
Aprenda os fundamentos da análise de regressão em Python
Ao final deste curso, você saberá como fazer previsões a partir dos seus dados, quantificar o desempenho do modelo e diagnosticar problemas com o ajuste do modelo. Você entenderá como usar os modelos estatísticos do Python para análise de regressão e poderá aplicar as habilidades a conjuntos de dados reais.Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Modelagem de Regressão Linear Simples
Você vai aprender o básico deste popular modelo estatístico, o que é regressão e como as regressões linear e logística diferem. Em seguida, vai aprender a ajustar modelos de regressão linear simples com variáveis explicativas numéricas e categóricas, e como descrever a relação entre a variável resposta e as variáveis explicativas usando os coeficientes do modelo.
- Uma história de duas variáveis50 XP
- Qual delas é a variável de resposta?50 XP
- Visualização de duas variáveis numéricas100 XP
- Ajuste de uma regressão linear50 XP
- Estime a interceptação50 XP
- Estime a inclinação50 XP
- Regressão linear com ols()100 XP
- Variáveis explicativas categóricas50 XP
- Visualização de dados numéricos versus dados categóricos100 XP
- Cálculo de médias por categoria100 XP
- Regressão linear com uma variável explicativa categórica100 XP
2
Previsões e objetos de modelo
Neste capítulo, você vai descobrir como usar modelos de regressão linear para fazer previsões sobre preços de casas em Taiwan e cliques em anúncios do Facebook. Você também vai aprimorar suas habilidades em regressão ao trabalhar diretamente com objetos de modelo, entender o conceito de "regressão à média" e aprender a transformar variáveis em um conjunto de dados.
3
Avaliando o ajuste do modelo
Neste capítulo, você vai aprender a fazer perguntas ao seu modelo para avaliar o ajuste. Vai aprender a quantificar o quão bem um modelo de regressão linear se ajusta, diagnosticar problemas do modelo usando visualizações e entender a alavancagem e a influência de cada observação na criação do modelo.
4
Modelagem de Regressão Logística Simples
Aprenda a ajustar modelos de regressão logística. Usando dados do mundo real, você vai prever a probabilidade de um cliente encerrar a conta bancária como probabilidades de sucesso e odds, e quantificar o desempenho do modelo usando matrizes de confusão.
Introdução à Regressão com statsmodels em Python
Curso
concluído
