After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Лінійна регресія є робочою конячкою статистики, але не може обробляти деякі типи складних даних. Узагальнена лінійна модель (GLM) розширює лінійну регресію, охоплюючи ненормальні розподіли, зокрема біноміальні дані та підрахунки. Упродовж цього курсу ви розширите свій інструментарій дата‑саєнсу, додавши GLM у R. Вивчаючи GLM, ви навчитеся моделювати біноміальні дані за допомогою логістичної регресії та дані підрахунків за допомогою регресії Пуассона. Ви також дізнаєтеся, як інтерпретувати ці результати та візуалізувати їх у ggplot2.
Попередні вимоги
Навчальний план
Зміст курсу
1
GLM: розширюємо ваш набір інструментів регресії
У цьому розділі ви дізнаєтеся, як узагальнені лінійні моделі є продовженням інших моделей у вашому інструментарії дата‑саєнсу. Також розділ використовує регресію Пуассона, щоб представити узагальнені лінійні моделі.
- Обмеження лінійних моделей50 XP
- Припущення лінійних моделей50 XP
- Повернення до налаштування лінійних моделей100 XP
- Регресія Пуассона50 XP
- Підгонка регресії Пуассона в R100 XP
- Порівняння лінійної регресії та регресії Пуассона100 XP
- Перетини: порівняння проти середніх100 XP
- Базові функції lm() у glm()50 XP
- Застосування summary(), print() і tidy() до glm100 XP
- Витягування коефіцієнтів з glm()100 XP
- Прогнозування за допомогою glm()100 XP
2
Логістична регресія
У цьому розділі розглянуто запуск логістичної регресії та аналіз вихідних даних моделі.
3
Інтерпретація та візуалізація GLM
У цьому розділі ви навчитеся інтерпретувати коефіцієнти GLM і будувати візуалізації GLM за допомогою ggplot2.
4
Множинна регресія з GLM
У цьому розділі ви навчитеся виконувати множинну регресію з GLM у R.
R
Узагальнені лінійні моделі в R
Курс
завершено
