Odhadni průsečík s osou y

Modely lineární regrese vždy proložují data přímkou. Přímka je definována dvěma vlastnostmi: průsečíkem s osou y a směrnicí.

Níže vidíš bodový graf závislosti ceny nemovitosti za jednotku plochy na počtu blízkých obchodů, sestavený z datové sady tchajwanského realitního trhu.

Klikni na graf a odhadni průsečík regresní přímky s osou y.

Toto cvičení je součástí kurzu

Úvod do regrese s knihovnou statsmodels v Pythonu

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Úvod do regrese s knihovnou statsmodels v Pythonu

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

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 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

Aktuální cvičení

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