Začněte nyníZačněte zdarma

Domů
Kurzy
Introduction to Predictive Analytics in Python

Grafy prediktivního přehledu

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Introduction to Predictive Analytics in Python

SkillTag.level.beginnerSkillTag.label

4.8+

Začněte kurz zdarma

V této kapitole se seznámíš se základy logistické regrese: jak predikovat binární cíl pomocí spojitých proměnných, jak tento model interpretovat a jak ho použít k predikci pro nové příklady.

Exercise 1: Úvod a struktura základní tabulky Exercise 2: Struktura základní tabulky Exercise 3: Prozkoumání základní tabulky Exercise 4: Průzkum prediktivních proměnných Exercise 5: Logistická regrese Exercise 6: Interpretace koeficientů Exercise 7: Sestavení modelu logistické regrese Exercise 8: Zobrazení koeficientů a interceptu Exercise 9: Použití modelu logistické regrese Exercise 10: Tvorba předpovědí Exercise 11: Dárce s největší pravděpodobností darování

V této kapitole se dozvíš, proč je výběr proměnných klíčový pro sestavení užitečného modelu. Naučíš se také, jak implementovat dopředný postupný výběr proměnných pro logistickou regresi a jak rozhodnout, kolik proměnných zahrnout do finálního modelu.

Exercise 1: Motivace pro výběr proměnných Exercise 2: Který model je nejlepší?Exercise 3: Výpočet AUC Exercise 4: Použití různých sad proměnných Exercise 5: Dopředný postupný výběr proměnných Exercise 6: Výběr další nejlepší proměnné Exercise 7: Hledání pořadí proměnných Exercise 8: Korelované proměnné Exercise 9: Rozhodování o počtu proměnných Exercise 10: Rozdělení dat Exercise 11: Vyhodnocení modelu na trénovacích a testovacích datech Exercise 12: Sestavení křivek AUC Exercise 13: Volba hraničního počtu proměnných

Teď, když umíš sestavit dobrý model, je čas přesvědčit stakeholdery, aby ho používali – a k tomu ti pomohou vhodné grafy. Naučíš se, jak vytvořit a interpretovat křivku kumulativních zisků a graf liftu.

Exercise 1: Křivka kumulativních zisků Exercise 2: Interpretace křivky kumulativních zisků Exercise 3: Sestrojení křivky kumulativních zisků Exercise 4: Náhodný model Exercise 5: Křivka lift Exercise 6: Interpretace křivky liftu Exercise 7: Sestavení lift křivky Exercise 8: Perfektní model Exercise 9: Jak vést byznys k lepším rozhodnutím Exercise 10: Cílení pomocí křivky kumulativních zisků Exercise 11: Praktický případ s využitím lift křivky Exercise 12: Praktický příklad s křivkou kumulativních zisků

V obchodním prostředí je často důležité vysvětlit intuici za modelem, který jsi sestavil/a. Pokud model a jeho proměnné nedávají smysl, nemusí být vůbec použit. V této kapitole se naučíš, jak pomocí grafů přehledu prediktorů vysvětlit vztah mezi proměnnými v modelu a cílovou proměnnou.

Exercise 1: Grafy prediktivního přehledu

Aktuální cvičení

Exercise 2: Interpretace grafů prediktorových přehledů Exercise 3: Načítání informací z tabulky predictor insight graphu Exercise 4: Diskretizace spojitých proměnných Exercise 5: Diskretizace proměnné Exercise 6: Diskretizace všech proměnných Exercise 7: Čisté řezy Exercise 8: Příprava tabulky pro graf prediktoru Exercise 9: Výpočet průměrných incidencí Exercise 10: Sestavení tabulky predictor insight graphu Exercise 11: Seskupení všech tabulek predictor insight graphu Exercise 12: Vykreslení grafu přehledu prediktoru Exercise 13: Vykreslení hodnot incidence Exercise 14: Vykreslení velikostí skupin Exercise 15: Vše dohromady Exercise 16: Shrnutí