Příběh dvou proměnných

Create Your Free Account

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

Úvod do regrese s knihovnou statsmodels v Pythonu

SkillTag.level.intermediateSkillTag.label

4.8+

Seznámíš se se základy tohoto oblíbeného statistického modelu, pochopíš, co je regrese a v čem se lineární a logistická regrese liší. Poté se naučíš sestavovat jednoduché lineární regresní modely s numerickými i kategorickými vysvětlujícími proměnnými a popisovat vztah mezi odezvou a vysvětlujícími proměnnými pomocí koeficientů modelu.

Exercise 1: Příběh dvou proměnných

Aktuální cvičení

Exercise 2: Která z nich je vysvětlovaná proměnná?Exercise 3: Vizualizace dvou číselných proměnných Exercise 4: Fitování lineární regrese Exercise 5: Odhadni průsečík s osou y Exercise 6: Odhadni sklon přímky Exercise 7: Lineární regrese pomocí ols()Exercise 8: Kategoriální vysvětlující proměnné Exercise 9: Vizualizace numerické proměnné vs. kategorické Exercise 10: Výpočet průměrů podle kategorií Exercise 11: Lineární regrese s kategorickou vysvětlující proměnnou

V této kapitole zjistíš, jak pomocí lineárních regresních modelů vytvářet předpovědi – například cen nemovitostí na Tchaj-wanu nebo počtu kliknutí na reklamy na Facebooku. Prohloubíš své znalosti regrese díky práci s objekty modelu, pochopíš koncept „regrese k průměru" a naučíš se transformovat proměnné v datasetu.

Exercise 1: Tvorba predikcí Exercise 2: Předpovídání cen nemovitostí Exercise 3: Vizualizace predikcí Exercise 4: Hranice předpovědí Exercise 5: Práce s objekty modelu Exercise 6: Extrakce prvků modelu Exercise 7: Ruční výpočet předpovědí cen nemovitostí Exercise 8: Regrese k průměru Exercise 9: Home run!Exercise 10: Vykreslení po sobě jdoucích výnosů portfolia Exercise 11: Modelování po sobě jdoucích výnosů Exercise 12: Transformace proměnných Exercise 13: Transformace vysvětlující proměnné Exercise 14: Transformace také proměnné odezvy Exercise 15: Zpětná transformace

V této kapitole se naučíš klást modelu správné otázky, abys dokázal/a posoudit jeho přesnost. Zjistíš, jak kvantifikovat kvalitu přizpůsobení lineárního regresního modelu, diagnostikovat problémy modelu pomocí vizualizací a pochopit vliv a pákový efekt jednotlivých pozorování na výsledný model.

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

Naučíš se sestavovat logistické regresní modely. Na reálných datech budeš předpovídat pravděpodobnost, že zákazník zruší svůj bankovní účet – a to ve formě pravděpodobností i poměru šancí. Zároveň se naučíš měřit výkonnost modelu 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 logit()Exercise 5: Předpovědi a šance Exercise 6: Pravděpodobnosti Exercise 7: Nejpravděpodobnější výsledek Exercise 8: Poměr šancí Exercise 9: Log odds Exercise 10: Kvantifikace kvality logistické regrese Exercise 11: Výpočet matice záměn Exercise 12: Vizualizace matice záměn jako mozaikového grafu Exercise 13: Přesnost, citlivost, specificita Exercise 14: Měření výkonu logistického modelu Exercise 15: Gratulujeme