Wahrscheinlichkeiten

Es gibt vier Hauptmöglichkeiten, Vorhersagen aus einem logistischen Regressionsmodell auszudrücken – wir schauen uns jede davon in den nächsten vier Übungen an. Zuerst: Da die Zielvariable entweder „ja“ oder „nein“ ist, kannst du die Wahrscheinlichkeit für ein „ja“ vorhersagen. Hier berechnest und visualisierst du diese Wahrscheinlichkeiten.

Drei Variablen sind verfügbar:

mdl_churn_vs_relationship ist das logistische Regressionsmodell von has_churned in Abhängigkeit von time_since_first_purchase.
explanatory_data ist ein Data-Frame mit erklärenden Werten.
plt_churn_vs_relationship ist ein Streudiagramm von has_churned gegenüber time_since_first_purchase mit einer geglätteten glm-Linie.

dplyr ist geladen.

Diese Übung ist Teil des Kurses

Einführung in Regression mit R

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Make a data frame of predicted probabilities
prediction_data <- explanatory_data %>% 
  ___







# See the result
prediction_data

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Einführung in Regression mit R

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Du lernst die Grundlagen dieses beliebten statistischen Modells, was Regression ist und worin sich lineare und logistische Regression unterscheiden. Anschließend erfährst du, wie du einfache lineare Regressionsmodelle mit numerischen und kategorialen erklärenden Variablen anpasst und wie du die Beziehung zwischen Zielvariable und erklärenden Variablen anhand der Modellkoeffizienten beschreibst.

Exercise 1: Eine Geschichte von zwei Variablen Exercise 2: Welche ist die Zielvariable?Exercise 3: Zwei Variablen visualisieren Exercise 4: Eine lineare Regression fitten Exercise 5: Den Achsenabschnitt schätzen Exercise 6: Schätze die Steigung Exercise 7: Lineare Regression mit lm()Exercise 8: Kategoriale erklärende Variablen Exercise 9: Numerisch vs. kategorial visualisieren Exercise 10: Mittelwerte nach Kategorie berechnen Exercise 11: lm() mit einer kategorialen erklärenden Variable

In diesem Kapitel erfährst du, wie du lineare Regressionsmodelle nutzt, um Vorhersagen zu Hauspreisen in Taiwan und Klicks auf Facebook-Anzeigen zu machen. Außerdem vertiefst du deine Regressionskenntnisse, indem du praktisch mit Modellobjekten arbeitest, das Konzept der „Regression zur Mitte“ verstehst und lernst, Variablen in einem Datensatz zu transformieren.

Exercise 1: Vorhersagen treffen Exercise 2: Hauspreise vorhersagen Exercise 3: Vorhersagen visualisieren Exercise 4: Die Grenzen von Vorhersagen Exercise 5: Mit Modellobjekten arbeiten Exercise 6: Modellelemente extrahieren Exercise 7: Hauspreise manuell vorhersagen Exercise 8: broom verwenden Exercise 9: Regression zur Mitte Exercise 10: Home run!Exercise 11: Aufeinanderfolgende Portfolio-Renditen plotten Exercise 12: Aufeinanderfolgende Renditen modellieren Exercise 13: Variablen transformieren Exercise 14: Transformation der erklärenden Variable Exercise 15: Auch die Zielvariable transformieren

In diesem Kapitel lernst du, wie du deinem Modell gezielt Fragen stellst, um die Güte zu beurteilen. Du lernst, wie du quantifizierst, wie gut ein lineares Regressionsmodell passt, wie du Modellprobleme mithilfe von Visualisierungen diagnostizierst und wie du den Hebel und Einfluss jeder Beobachtung, die zur Modellerstellung verwendet wurde, verstehst.

Exercise 1: Modellgüte quantifizieren Exercise 2: Bestimmtheitsmaß Exercise 3: Residuen-Standardfehler Exercise 4: Modellanpassung visualisieren Exercise 5: Residuen vs. vorhergesagte Werte Exercise 6: Q-Q-Plot der Residuen Exercise 7: Scale-Location Exercise 8: Diagnose-Plots zeichnen Exercise 9: Ausreißer, Hebelwirkung und Einfluss Exercise 10: Leverage Exercise 11: Einfluss Exercise 12: Hebelwirkung und Einfluss extrahieren

Lerne, logistische Regressionsmodelle anzupassen. Mit realen Daten sagst du die Wahrscheinlichkeit voraus, dass ein Kunde sein Bankkonto schließt – sowohl als Erfolgswahrscheinlichkeiten als auch als Chancenverhältnisse – und quantifizierst die Modellgüte mithilfe von Konfusionsmatrizen.

Exercise 1: Warum du logistische Regression brauchst Exercise 2: Die erklärenden Variablen erkunden Exercise 3: Lineare und logistische Modelle visualisieren Exercise 4: Logistische Regression mit glm()Exercise 5: Vorhersagen und Odds Ratios Exercise 6: Wahrscheinlichkeiten

Aktuelle Übung

Exercise 7: Wahrscheinlichstes Ergebnis Exercise 8: Odds Ratio Exercise 9: Log-Odds Ratio Exercise 10: Güte der logistischen Regression quantifizieren Exercise 11: Die Konfusionsmatrix berechnen Exercise 12: Leistung eines logistischen Modells messen Exercise 13: Accuracy, Sensitivity, Specificity Exercise 14: Glückwunsch