После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
Линейная и логистическая регрессии — два наиболее широко используемых статистических метода, которые открывают доступ к скрытым закономерностям в данных. В этом курсе вы продолжите развивать навыки, полученные в курсе «Введение в регрессию в Python с statsmodels», и научитесь строить линейные и логистические регрессии с несколькими объясняющими переменными. Выполняя практические упражнения, вы исследуете взаимосвязи между переменными на реальных наборах данных — ценах на жильё на Тайване, моделировании оттока клиентов и других. По завершении курса вы будете знать, как включать несколько объясняющих переменных в модель, анализировать влияние взаимодействий между переменными на прогнозы, а также понимать принципы работы линейной и логистической регрессий.
Предварительные требования
Программа
План курса
1
Параллельные наклоны
Расширьте навыки линейной регрессии и перейдите к регрессии с параллельными наклонами, включающей одну числовую и одну категориальную объясняющую переменную. Это первый шаг на пути к освоению множественной линейной регрессии.
- Линейная регрессия с параллельными прямыми50 XP
- Подгонка модели линейной регрессии с параллельными наклонами100 XP
- Интерпретация коэффициентов модели с параллельными наклонами100 XP
- Визуализация каждой объясняющей переменной100 XP
- Визуализация параллельных прямых100 XP
- Прогнозирование с помощью модели параллельных прямых50 XP
- Прогнозирование с помощью модели параллельных наклонов100 XP
- Визуализация предсказаний модели с параллельными наклонами100 XP
- Расчёт прогнозов вручную100 XP
- Оценка качества модели50 XP
- Сравнение коэффициентов детерминации100 XP
- Сравнение остаточного стандартного отклонения100 XP
2
Взаимодействия
Исследуйте влияние взаимодействий между объясняющими переменными. Учёт взаимодействий позволяет строить более реалистичные модели с более высокой предсказательной способностью. Вы также познакомитесь с парадоксом Симпсона — неочевидным явлением, которое возникает при наличии нескольких объясняющих переменных.
3
Множественная линейная регрессия
Узнайте, как моделирование и линейная регрессия упрощают работу с более чем двумя объясняющими переменными. Освоив построение моделей линейной регрессии, вы реализуете собственный алгоритм линейной регрессии.
4
Множественная логистическая регрессия
Расширьте навыки логистической регрессии до случая с несколькими объясняющими переменными. Вы также познакомитесь с логистическим распределением, которое лежит в основе этого вида регрессии, и реализуете собственный алгоритм логистической регрессии.
Промежуточная регрессия со statsmodels в Python
Курс
завершён
