Name: Introduktion till regression i R
Rating: 4.815653298835705 (1546 reviews)

Kursbeskrivning

Linjär regression och logistisk regression är de två mest använda statistiska modellerna och fungerar som universalnycklar för att hitta dolda mönster i datamängder. I den här kursen lär du dig att anpassa enkla linjära regressioner och logistiska regressioner. Genom praktiska övningar utforskar du sambanden mellan variabler i verkliga datamängder – däribland motorfordonsförsäkringar, huspriser i Taiwan, fiskstorlekar och mer. När kursen är slut vet du hur du gör förutsägelser från dina data, mäter modellens prestanda och identifierar problem med modellens passning.

Förkunskapskrav

Introduction to Data Visualization with ggplot2 Introduction to Statistics in R

Kursplan

Kursöversikt

Enkel linjär regression

Du lär dig grunderna i den här populära statistiska modellen: vad regression är och hur linjär och logistisk regression skiljer sig åt. Sedan lär du dig att anpassa enkla linjära regressionsmodeller med numeriska och kategoriska förklaringsvariabler, samt hur du beskriver sambandet mellan responsvariabeln och förklaringsvariablerna med hjälp av modellkoefficienterna.

Starta kapitel

Förutsägelser och modellobjekt

I det här kapitlet lär du dig att använda linjära regressionsmodeller för att göra förutsägelser om huspriser i Taiwan och klick på Facebook-annonser. Du fördjupar också dina regressionskunskaper genom praktiskt arbete med modellobjekt, lär dig förstå begreppet "regression mot medelvärdet" och hur du transformerar variabler i en datamängd.

Starta kapitel

Att utvärdera modellens passning

I det här kapitlet lär du dig att ställa frågor till din modell för att utvärdera dess passning. Du lär dig att kvantifiera hur väl en linjär regressionsmodell passar, att diagnostisera modellproblem med hjälp av visualiseringar samt att förstå hävstångseffekten och inflytandet hos varje observation som används för att skapa modellen.

Starta kapitel

Enkel logistisk regression

Lär dig att anpassa logistiska regressionsmodeller. Med verkliga data förutsäger du sannolikheten för att en kund stänger sitt bankkonto – uttryckt som sannolikheter och oddskvoter – och utvärderar modellens prestanda med hjälp av konfusionsmatriser.