ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Intermediate Regression with statsmodels in Python

ระดับกลางระดับทักษะ

อัปเดตแล้ว 05/2565

Learn to perform linear and logistic regression with multiple explanatory variables.

เริ่มเรียนหลักสูตรฟรี

PythonProbability & Statistics4 ชม.14 videos52 Exercises4,300 เอ็กซ์พี15,532คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

Linear regression and logistic regression are the two most widely used statistical models and act like master keys, unlocking the secrets hidden in datasets. In this course, you’ll build on the skills you gained in "Introduction to Regression in Python with statsmodels", as you learn about linear and logistic regression with multiple explanatory variables. Through hands-on exercises, you’ll explore the relationships between variables in real-world datasets, Taiwan house prices and customer churn modeling, and more. By the end of this course, you’ll know how to include multiple explanatory variables in a model, discover how interactions between variables affect predictions, and understand how linear and logistic regression work.

ข้อกำหนดเบื้องต้น

Introduction to Regression with statsmodels in Python

1

Parallel Slopes

Extend your linear regression skills to parallel slopes regression, with one numeric and one categorical explanatory variable. This is the first step towards conquering multiple linear regression.

Parallel slopes linear regression

50 เอ็กซ์พี

Fitting a parallel slopes linear regression

100 เอ็กซ์พี

Interpreting parallel slopes coefficients

100 เอ็กซ์พี

Visualizing each explanatory variable

100 เอ็กซ์พี

Visualizing parallel slopes

100 เอ็กซ์พี

Predicting parallel slopes

50 เอ็กซ์พี

Predicting with a parallel slopes model

100 เอ็กซ์พี

Visualizing parallel slopes model predictions

100 เอ็กซ์พี

Manually calculating predictions

100 เอ็กซ์พี

Assessing model performance

50 เอ็กซ์พี

Comparing coefficients of determination

100 เอ็กซ์พี

Comparing residual standard error

100 เอ็กซ์พี

เริ่มบท

2

Interactions

Explore the effect of interactions between explanatory variables. Considering interactions allows for more realistic models that can have better predictive power. You'll also deal with Simpson's Paradox: a non-intuitive result that arises when you have multiple explanatory variables.

Models for each category

50 เอ็กซ์พี

One model per category

100 เอ็กซ์พี

Predicting multiple models

100 เอ็กซ์พี

Visualizing multiple models

100 เอ็กซ์พี

Assessing model performance

100 เอ็กซ์พี

One model with an interaction

50 เอ็กซ์พี

Specifying an interaction

100 เอ็กซ์พี

Interactions with understandable coeffs

100 เอ็กซ์พี

Making predictions with interactions

50 เอ็กซ์พี

Predicting with interactions

100 เอ็กซ์พี

Manually calculating predictions with interactions

100 เอ็กซ์พี

Simpson's Paradox

50 เอ็กซ์พี

Modeling eBay auctions

100 เอ็กซ์พี

Modeling each auction type

100 เอ็กซ์พี

เริ่มบท

3

Multiple Linear Regression

See how modeling and linear regression make it easy to work with more than two explanatory variables. Once you've mastered fitting linear regression models, you'll get to implement your own linear regression algorithm.

Two numeric explanatory variables

50 เอ็กซ์พี

Interactive 3D scatter plot

50 เอ็กซ์พี

Visualizing three numeric variables

100 เอ็กซ์พี

Modeling two numeric explanatory variables

100 เอ็กซ์พี

Visualizing two numeric explanatory variables

100 เอ็กซ์พี

Including an interaction

100 เอ็กซ์พี

More than two explanatory variables

50 เอ็กซ์พี

Visualizing many variables

100 เอ็กซ์พี

Different levels of interaction

100 เอ็กซ์พี

Predicting again

100 เอ็กซ์พี

How linear regression works

50 เอ็กซ์พี

The sum of squares

50 เอ็กซ์พี

Linear regression algorithm

100 เอ็กซ์พี

เริ่มบท

4

Multiple Logistic Regression

Extend your logistic regression skills to multiple explanatory variables. You’ll also learn about logistic distribution, which underpins this form of regression, before implementing your own logistic regression algorithm.

Multiple logistic regression

50 เอ็กซ์พี

Logistic regression with two explanatory variables

100 เอ็กซ์พี

Logistic regression prediction

100 เอ็กซ์พี

Visualizing multiple explanatory variables

100 เอ็กซ์พี

Confusion matrix

100 เอ็กซ์พี

The logistic distribution

50 เอ็กซ์พี

Cumulative distribution function

100 เอ็กซ์พี

Inverse cumulative distribution function

100 เอ็กซ์พี

Logistic distribution parameters

50 เอ็กซ์พี

How logistic regression works

50 เอ็กซ์พี

Likelihood & log-likelihood

50 เอ็กซ์พี

Logistic regression algorithm

100 เอ็กซ์พี

Congratulations!

50 เอ็กซ์พี

เริ่มบท

Intermediate Regression with statsmodels in Python

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

ในแทร็กต่อไปนี้

Statistics Fundamentals in Python

instructors

Maarten Van den Broeck

Senior Content Developer at DataCamp

collaborators

Richie Cotton

Maggie Matsui

Amy Peterson

Courses resources

Ad conversiondatasets

Customer churndatasets

Taiwan real estatedatasets

Fish measurement datadatasets

eBay auctionsdatasets

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Intermediate Regression with statsmodels in Python วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา