Name: Середній рівень регресії зі statsmodels у Python
Rating: 4.829642248722317 (587 reviews)

Опис курсу

Лінійна та логістична регресії — це два найуживаніші статистичні моделі, справжні універсальні ключі до закономірностей у наборах даних. У цьому курсі ви продовжите те, що вивчили у "Introduction to Regression in Python with statsmodels", і розглянете лінійну та логістичну регресії з кількома пояснювальними змінними. Завдяки практичним вправам ви дослідите взаємозв'язки між змінними на реальних даних — цінах на житло на Тайвані, моделюванні відтоку клієнтів тощо. Наприкінці курсу ви знатимете, як додавати до моделі кілька пояснювальних змінних, як взаємодії між змінними впливають на прогнози, і як працюють лінійна та логістична регресії.

Попередні вимоги

Introduction to Regression with statsmodels in Python

Навчальний план

Зміст курсу

Паралельні нахили

Розширте навички лінійної регресії до моделі з паралельними нахилами з однією числовою та однією категоріальною пояснювальними змінними. Це перший крок до опанування множинної лінійної регресії.

Почати розділ

Взаємодії

Дослідіть ефект взаємодій між пояснювальними змінними. Урахування взаємодій дає реалістичніші моделі з кращою прогностичною здатністю. Ви також розглянете парадокс Сімпсона — неінтуїтивний результат, що виникає за наявності кількох пояснювальних змінних.

Почати розділ

Множинна лінійна регресія

Побачте, як моделювання та лінійна регресія полегшують роботу з більш ніж двома пояснювальними змінними. Коли ви опануєте підгонку лінійних регресійних моделей, то реалізуєте власний алгоритм лінійної регресії.

Почати розділ

Множинна логістична регресія

Розширте навички логістичної регресії на випадок кількох пояснювальних змінних. Ви також дізнаєтеся про логістичний розподіл, на якому ґрунтується цей тип регресії, а потому реалізуєте власний алгоритм логістичної регресії.