Build your ultimate AI agent
Kursbeskrivning
Linjär regression och logistisk regression är de två mest använda statistiska modellerna – de fungerar som huvudnycklar som låser upp de mönster som döljer sig i datamängder. I den här kursen bygger du vidare på de kunskaper du fick i "Introduktion till regression i Python med statsmodels", och lär dig om linjär och logistisk regression med flera förklarande variabler. Genom praktiska övningar utforskar du sambanden mellan variabler i verkliga datamängder, bland annat huspriser i Taiwan och modellering av kundbortfall. När du är klar vet du hur du inkluderar flera förklarande variabler i en modell, hur interaktioner mellan variabler påverkar prediktioner och hur linjär och logistisk regression fungerar.
Förkunskapskrav
Kursplan
Kursöversikt
1
Parallella lutningar
Utöka dina kunskaper i linjär regression till regression med parallella lutningar, med en numerisk och en kategorisk förklarande variabel. Det här är det första steget mot att bemästra multipel linjär regression.
- Linjär regression med parallella lutningar50 XP
- Anpassa en linjär regression med parallella lutningar100 XP
- Tolka koefficienter för parallella lutningar100 XP
- Visualisera varje förklaringsvariabel100 XP
- Visualisera parallella lutningar100 XP
- Förutsägelser med parallella lutningar50 XP
- Göra förutsägelser med en parallellslutsmodell100 XP
- Visualisera förutsägelser från parallella lutningsmodellen100 XP
- Beräkna prediktioner manuellt100 XP
- Utvärdera modellens prestanda50 XP
- Jämföra förklaringsgrader100 XP
- Jämföra residualstandardfel100 XP
2
Interaktioner
Utforska hur interaktioner mellan förklarande variabler påverkar resultaten. Genom att ta hänsyn till interaktioner kan du bygga mer realistiska modeller med bättre prediktiv förmåga. Du arbetar också med Simpsons paradox – ett icke-intuitivt fenomen som uppstår när du har flera förklarande variabler.
3
Multipel linjär regression
Se hur modellering och linjär regression gör det enkelt att arbeta med fler än två förklarande variabler. När du behärskar anpassning av linjära regressionsmodeller får du även implementera din egen linjära regressionsalgoritm.
4
Multipel logistisk regression
Utöka dina kunskaper i logistisk regression till flera förklarande variabler. Du lär dig också om den logistiska fördelningen, som ligger till grund för den här typen av regression, och implementerar sedan din egen logistiska regressionsalgoritm.
Intermediär regression med statsmodels i Python
Kurs
slutförd
