Home run!

Regrese k průměru je důležitý koncept v mnoha oblastech, včetně sportu.

Tady vidíš dataset s baseballovými výsledky pálkařů za roky 2017 a 2018. Každý bod představuje jednoho hráče a platí, že čím více home runů, tím lépe. Naivní předpověď by mohla znít, že výkon v roce 2018 bude stejný jako v roce 2017 – tedy že lineární regrese leží na přímce „y rovná se x".

Prozkumej graf a zamysli se nad predikcemi. Co říká regrese k průměru o počtu home runů v roce 2018 u hráče, který byl v roce 2017 velmi úspěšný?

Toto cvičení je součástí kurzu

Úvod do regrese v R

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Úvod do regrese v R

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

Naučíš se základy tohoto oblíbeného statistického modelu – co je regrese a jak se liší lineární a logistická regrese. Pak se zaměříš na sestavování jednoduchých lineárních regresních modelů s numerickými i kategorickými vysvětlujícími proměnnými a na popis vztahu mezi závislou a vysvětlujícími proměnnými pomocí koeficientů modelu.

Exercise 1: Příběh dvou proměnných Exercise 2: Která proměnná je závislá (responzní)?Exercise 3: Vizualizace dvou proměnných Exercise 4: Fitování lineární regrese Exercise 5: Odhadni průsečík s osou y Exercise 6: Odhadni sklon přímky Exercise 7: Lineární regrese s lm()Exercise 8: Kategorické vysvětlující proměnné Exercise 9: Vizualizace numerické vs. kategorické proměnné Exercise 10: Výpočet průměrů podle kategorie Exercise 11: lm() s kategoriální vysvětlující proměnnou

V této kapitole zjistíš, jak využívat lineární regresní modely k předpovídání cen nemovitostí na Tchaj-wanu a počtu kliknutí na reklamy na Facebooku. Prohloubíš si také znalosti regrese, když si prakticky vyzkoušíš práci s objekty modelu, pochopíš koncept „regrese k průměru" a naučíš se transformovat proměnné v datasetu.

Exercise 1: Tvorba předpovědí Exercise 2: Předpovídání cen nemovitostí Exercise 3: Vizualizace předpovědí Exercise 4: Limity předpovídání Exercise 5: Práce s objekty modelu Exercise 6: Extrahování prvků modelu Exercise 7: Ruční předpověď cen nemovitostí Exercise 8: Použití balíčku broom Exercise 9: Regrese k průměru Exercise 10: Home run!

Aktuální cvičení

Exercise 11: Vykreslení po sobě jdoucích výnosů portfolia Exercise 12: Modelování po sobě jdoucích výnosů Exercise 13: Transformace proměnných Exercise 14: Transformace vysvětlující proměnné Exercise 15: Transformace cílové proměnné

V této kapitole se naučíš klást modelu správné otázky pro hodnocení jeho kvality. Zjistíš, jak kvantifikovat, jak dobře lineární regresní model odpovídá datům, jak pomocí vizualizací diagnostikovat problémy modelu a jak chápat vliv a páku jednotlivých pozorování použitých při jeho sestavení.

Exercise 1: Kvantifikace kvality modelu Exercise 2: Koeficient determinace Exercise 3: Reziduální standardní chyba Exercise 4: Vizualizace kvality modelu Exercise 5: Rezidua vs. vyrovnané hodnoty Exercise 6: Q-Q graf reziduí Exercise 7: Scale-location Exercise 8: Vykreslování diagnostických grafů Exercise 9: Odlehlé hodnoty, páka a vliv Exercise 10: Leverage Exercise 11: Vliv Exercise 12: Extrakce leverage a vlivu

Naučíš se sestavovat modely logistické regrese. Na reálných datech budeš předpovídat pravděpodobnost, že zákazník zruší svůj bankovní účet, a to ve formě pravděpodobností úspěchu i poměrů šancí. Výkon modelu pak budeš hodnotit pomocí matic záměn.

Exercise 1: Proč potřebuješ logistickou regresi Exercise 2: Prozkoumání vysvětlujících proměnných Exercise 3: Vizualizace lineárních a logistických modelů Exercise 4: Logistická regrese s glm()Exercise 5: Predikce a poměry šancí Exercise 6: Pravděpodobnosti Exercise 7: Nejpravděpodobnější výsledek Exercise 8: Poměr šancí Exercise 9: Logaritmus poměru šancí Exercise 10: Kvantifikace kvality logistické regrese Exercise 11: Výpočet matice záměn Exercise 12: Měření výkonu logistického modelu Exercise 13: Přesnost, senzitivita, specificita Exercise 14: Gratulujeme!