Prozkoumání vysvětlujících proměnných

Když je výsledná proměnná logického typu, všechny body leží na přímkách y rovná se nula a y rovná se jedna, takže je těžké vidět, co se vlastně děje. Ve videu nebylo až do zobrazení trendové čáry jasné, jak je vysvětlující proměnná rozložena na každé přímce. Řešením je histogram vysvětlující proměnné rozdělený (faceted) podle výsledné proměnné.

Tyhle histogramy ti pomůžou lépe poznat dataset zákazníků finančních služeb, se kterým jsme pracovali ve videu.

K dispozici máš churn a načtený balíček ggplot2.

Toto cvičení je součástí kurzu

Úvod do regrese v R

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Using churn, plot time_since_last_purchase
___ +
  # as a histogram with binwidth 0.25
  ___ +
  # faceted in a grid with has_churned on each row
  ___

Upravit a spustit kód

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!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

Aktuální cvičení

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!