Začněte nyníZačněte zdarma

Domů
Kurzy
Modelování s daty v Tidyverse

Vysvětlení hodnocení výuky pomocí pohlaví

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

Modelování s daty v Tidyverse

SkillTag.level.intermediateSkillTag.label

4.9+

Začněte kurz zdarma

Tato kapitola tě seznámí s teoretickým zázemím a terminologií modelování – konkrétně s obecným rámcem modelování, rozdílem mezi modelováním za účelem vysvětlení a za účelem predikce a s problematikou modelování jako takovým. Navíc provedeš první exploratorní analýzu dat, která je nezbytným krokem před jakýmkoli formálním modelováním.

Exercise 1: Úvod do modelování pro vysvětlení Exercise 2: Průzkumná vizualizace věku Exercise 3: Numerické souhrny proměnné age Exercise 4: Modelování pro predikci – základy Exercise 5: Průzkumná vizualizace velikosti domu Exercise 6: Log10 transformace velikosti domu Exercise 7: Modelování za účelem vysvětlení Exercise 8: EDA vztahu hodnocení výuky a skóre „krásy"Exercise 9: Korelace mezi hodnocením výuky a skóre „atraktivity"Exercise 10: Modelování pro predikci Exercise 11: EDA vztahu ceny domu a výhledu na vodu Exercise 12: Předpověď ceny domu s výhledem na pobřeží

Díky pochopení obecného rámce modelování se v této kapitole vrhneme na jednoduchou lineární regresi. Budeš modelovat výstupní proměnnou y jako funkci jediné vysvětlující nebo predikční proměnné x – a to jak numerické, tak kategoriální. Výstupní proměnnou v této kapitole budou hodnocení výuky vyučujících na Texaské univerzitě v Austinu.

Exercise 1: Hodnocení výuky v závislosti na věku Exercise 2: Vykreslení regresní přímky „nejlepšího přiblížení"Exercise 3: Regrese s numerickou proměnnou x Exercise 4: Předpovídání hodnocení výuky na základě věku Exercise 5: Předpovídání hodnocení pomocí „skóre atraktivity"Exercise 6: Výpočet odhadnutých/předpovězených hodnot a reziduí Exercise 7: Vysvětlení hodnocení výuky pomocí pohlaví

Aktuální cvičení

Exercise 8: EDA vztahu mezi hodnocením a akademickou pozicí Exercise 9: Regrese s kategorickou proměnnou x Exercise 10: Predikce hodnocení výuky na základě pohlaví Exercise 11: Předpovídání hodnot pomocí hodnosti Exercise 12: Vizualizace rozdělení reziduálů

V předchozí kapitole ses seznámil/a se základní regresí s jedním numerickým nebo kategoriálním prediktorem. Proč se ale omezovat na jedinou proměnnou? Nyní rozšíříme jednoduchou regresi na vícenásobnou, která umožňuje zahrnout do modelu více vysvětlujících nebo predikčních proměnných. Budeme modelovat ceny domů pomocí datasetu z oblasti Seattlu ve státě Washington.

Exercise 1: Vysvětlení ceny domu pomocí roku a velikosti Exercise 2: EDA vztahu Exercise 3: Vytvoření regresního modelu Exercise 4: Předpověď ceny domu na základě roku a velikosti Exercise 5: Předpovědi cen na základě velikosti a počtu ložnic Exercise 6: Interpretace reziduálů Exercise 7: Vysvětlení ceny domu pomocí velikosti a stavu Exercise 8: Model s rovnoběžnými přímkami Exercise 9: Interpretace modelu s paralelními přímkami Exercise 10: Předpověď ceny domu na základě velikosti a stavu Exercise 11: Předpovídání cen na základě velikosti a výhledu na pobřeží Exercise 12: Automatizace predikcí pro „nové" domy

V předchozích kapitolách ses naučil/a sestavovat modely pro vysvětlení nebo predikci sledované výstupní proměnné. Jak ale poznat, který model zvolit? Metriky hodnocení modelů ti pomohou zjistit, jak dobře vysvětlující model „sedí" na data nebo jak přesný je predikční model. Na základě těchto metrik se naučíš, podle čeho vybrat ten „nejlepší" model.

Exercise 1: Výběr a hodnocení modelů Exercise 2: Opakování: součet čtverců reziduí Exercise 3: Který model vybrat?Exercise 4: Hodnocení kvality modelu pomocí R² Exercise 5: Výpočet koeficientu determinace R² modelu Exercise 6: Porovnání hodnot R² dvou modelů Exercise 7: Hodnocení predikcí pomocí RMSE Exercise 8: Výpočet MSE a RMSE modelu Exercise 9: Porovnání RMSE dvou modelů Exercise 10: Predikce pomocí validační sady Exercise 11: Trénování modelu na trénovacích datech Exercise 12: Predikce na testovacích datech Exercise 13: Závěr – Kam dál?