Name: Введение в регрессию с statsmodels на Python
Rating: 4.814513394370973 (2949 reviews)

Описание курса

Используйте Python statsmodels для линейной и логистической регрессии

Линейная регрессия и логистическая регрессия — две из самых широко используемых статистических моделей. Они работают как универсальные ключи, открывая секреты, скрытые в ваших данных. В этом курсе вы освоите навыки построения простых линейных и логистических регрессий.

С помощью практических упражнений вы изучите взаимосвязи между переменными в реальных наборах данных, включая страховые случаи по автострахованию, цены на жильё на Тайване, размеры рыб и многое другое.

Узнайте, как делать прогнозы и оценивать качество модели

Вы начнёте этот 4-часовой курс с изучения того, что такое регрессия и чем отличаются линейная и логистическая регрессия, а также научитесь применять обе. Далее вы узнаете, как использовать модели линейной регрессии для прогнозирования данных, а также поймёте, что такое объекты моделей.

По мере продвижения вы узнаете, как оценивать качество вашей модели и как понять, насколько хорошо ваша модель линейной регрессии соответствует данным. Наконец, вы глубже изучите модели логистической регрессии, чтобы делать прогнозы на реальных данных.

Изучите основы регрессионного анализа на Python

К концу этого курса вы будете знать, как делать прогнозы на основе ваших данных, оценивать эффективность модели и выявлять проблемы с качеством подгонки модели. Вы поймёте, как использовать Python statsmodels для регрессионного анализа, и сможете применять эти навыки к реальным наборам данных.

Предварительные требования

Introduction to Data Visualization with Seaborn Introduction to Statistics in Python

Программа

Структура курса

Построение простой линейной регрессии

Вы познакомитесь с основами этой популярной статистической модели: узнаете, что такое регрессия и чем линейная регрессия отличается от логистической. Затем научитесь строить простые линейные регрессионные модели с числовыми и категориальными объясняющими переменными, а также интерпретировать взаимосвязь между зависимой и объясняющими переменными с помощью коэффициентов модели.

Начать главу

Прогнозы и объекты модели

В этой главе вы научитесь применять линейные регрессионные модели для прогнозирования цен на жильё на Тайване и числа кликов по рекламе в Facebook. Вы углубите свои знания в области регрессии, освоите работу с объектами модели, разберётесь с концепцией «регрессии к среднему» и узнаете, как преобразовывать переменные в наборе данных.

Начать главу

Оценка качества модели

В этой главе вы научитесь оценивать качество модели. Вы узнаете, как количественно измерить соответствие линейной регрессионной модели данным, диагностировать проблемы с помощью визуализаций, а также определять меру влияния и рычага каждого наблюдения при построении модели.

Начать главу

Построение простой логистической регрессии

Вы научитесь строить логистические регрессионные модели. Работая с реальными данными, вы будете предсказывать вероятность закрытия клиентом банковского счёта — в виде вероятностей и отношений шансов — и оценивать качество модели с помощью матриц ошибок.