ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Generalized Linear Models in Python

ขั้นสูงระดับทักษะ

อัปเดตแล้ว 10/2565

Extend your regression toolbox with the logistic and Poisson models and learn to train, understand, and validate them, as well as to make predictions.

เริ่มเรียนหลักสูตรฟรี

PythonProbability & Statistics5 ชม.16 videos59 Exercises4,950 เอ็กซ์พี11,833คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

Imagine being able to handle data where the response variable is either binary, count, or approximately normal, all under one single framework. Well, you don't have to imagine. Enter the Generalized Linear Models in Python course! In this course you will extend your regression toolbox with the logistic and Poisson models, by learning how to fit, understand, assess model performance and finally use the model to make predictions on new data. You will practice using data from real world studies such the largest population poisoning in world's history, nesting of horseshoe crabs and counting the bike crossings on the bridges in New York City.

ข้อกำหนดเบื้องต้น

Introduction to Linear Modeling in Python

1

Introduction to GLMs

Review linear models and learn how GLMs are an extension of the linear model given different types of response variables. You will also learn the building blocks of GLMs and the technical process of fitting a GLM in Python.

Going beyond linear regression

50 เอ็กซ์พี

Applying linear models

50 เอ็กซ์พี

Linear model, a special case of GLM

100 เอ็กซ์พี

How to build a GLM?

50 เอ็กซ์พี

Data type and distribution family

100 เอ็กซ์พี

Linear model and a binary response variable

100 เอ็กซ์พี

Comparing predicted values

100 เอ็กซ์พี

How to fit a GLM in Python?

50 เอ็กซ์พี

Model fitting step-by-step

100 เอ็กซ์พี

Results of the model fit using summary()

100 เอ็กซ์พี

Extracting parameter estimates

100 เอ็กซ์พี

เริ่มบท

2

Modeling Binary Data

This chapter focuses on logistic regression. You'll learn about the structure of binary data, the logit link function, model fitting, as well as how to interpret model coefficients, model inference, and how to assess model performance.

Binary data and logistic regression

50 เอ็กซ์พี

Compute odds and probabilities

100 เอ็กซ์พี

Fit logistic regression

100 เอ็กซ์พี

Interpreting coefficients

50 เอ็กซ์พี

Coefficients in terms of odds

100 เอ็กซ์พี

Model formula

50 เอ็กซ์พี

Interpreting logistic model

50 เอ็กซ์พี

Rate of change in probability

100 เอ็กซ์พี

Interpreting model inference

50 เอ็กซ์พี

Statistical significance

100 เอ็กซ์พี

Computing Wald statistic

100 เอ็กซ์พี

Confidence intervals

100 เอ็กซ์พี

Computing and describing predictions

50 เอ็กซ์พี

Visualize model fit using regplot()

100 เอ็กซ์พี

Compute predictions

100 เอ็กซ์พี

Compute confusion matrix

100 เอ็กซ์พี

เริ่มบท

3

Modeling Count Data

Here you'll learn about Poisson regression, including the discussion on count data, Poisson distribution and the interpretation of the model fit. You'll also learn how to overcome problems with overdispersion. Finally, you'll get hands-on experience with the process of model visualization.

Count data and Poisson distribution

50 เอ็กซ์พี

Visualize the response

100 เอ็กซ์พี

Fitting a Poisson regression

100 เอ็กซ์พี

Interpreting model fit

50 เอ็กซ์พี

Estimate parameter lambda

100 เอ็กซ์พี

Interpret Poisson coefficients

100 เอ็กซ์พี

Poisson confidence intervals

100 เอ็กซ์พี

The Problem of Overdispersion

50 เอ็กซ์พี

Is the mean equal to the variance?

100 เอ็กซ์พี

Computing expected number of counts

100 เอ็กซ์พี

Checking for overdispersion

100 เอ็กซ์พี

Fitting negative binomial

100 เอ็กซ์พี

Confidence intervals for negative Binomial model

100 เอ็กซ์พี

Plotting a regression model

50 เอ็กซ์พี

Plotting data and linear model fit

100 เอ็กซ์พี

Plotting fitted values

100 เอ็กซ์พี

เริ่มบท

4

Multivariable Logistic Regression

In this final chapter you'll learn how to increase the complexity of your model by adding more than one explanatory variable. You'll practice with the problem of multicollinearity, and with treating categorical and interaction terms in your model.

Multivariable logistic regression

50 เอ็กซ์พี

Fit a multivariable logistic regression

100 เอ็กซ์พี

The effect of multicollinearity

100 เอ็กซ์พี

Compute VIF

100 เอ็กซ์พี

Comparing models

50 เอ็กซ์พี

Checking model fit

100 เอ็กซ์พี

Compare two models

100 เอ็กซ์พี

Deviance and linear transformation

100 เอ็กซ์พี

Model formula

50 เอ็กซ์พี

Model matrix for continuous variables

100 เอ็กซ์พี

Variable transformation

100 เอ็กซ์พี

Coding categorical variables

100 เอ็กซ์พี

Categorical and interaction terms

50 เอ็กซ์พี

Modeling with categorical variable

100 เอ็กซ์พี

Interaction terms

100 เอ็กซ์พี

Congratulations!

50 เอ็กซ์พี

เริ่มบท

Generalized Linear Models in Python

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

instructors

Ita Cirovic Donev

Data Science consultant

collaborators

Chester Ismay

Adrián Soto

Courses resources

Well switch due to arsenic poisoningdatasets

Nesting of the female horseshoe crabdatasets

Credit defaultdatasets

Level of salary and years of work experiencedatasets

Medical costs per person given age and BMIdatasets

Bike crossings in New York Citydatasets

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Generalized Linear Models in Python วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา