Resultado más probable

Al explicar tus resultados a un público sin conocimientos técnicos, es posible que prefieras evitar hablar de probabilidades y limitarte a explicar el resultado más probable. Es decir, en lugar de decir que hay un 60 % de probabilidades de que un cliente se vaya, dices que el resultado más probable es que el cliente se vaya. La contrapartida aquí es una interpretación más fácil a costa de los matices.

mdl_churn_vs_relationship, explanatory_data y plt_churn_vs_relationship están disponibles y dplyr está cargado.

Este ejercicio forma parte del curso

Introducción a la regresión en R

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Update the data frame
prediction_data <- explanatory_data %>% 
  mutate(   
    has_churned = predict(mdl_churn_vs_relationship, explanatory_data, type = "response"),
    # Add the most likely churn outcome
    most_likely_outcome = ___
  )

# See the result
prediction_data

Editar y ejecutar código

Este ejercicio forma parte del curso

Introducción a la regresión en R

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

Aprenderás los conceptos básicos de este popular modelo estadístico, qué es la regresión y en qué se diferencian las regresiones lineales y logísticas. A continuación, aprenderás a ajustar modelos de regresión lineal simples con variables explicativas numéricas y categóricas, y a describir la relación entre las variables de respuesta y las variables explicativas utilizando los coeficientes del modelo.

Exercise 1: Una historia de dos variables Exercise 2: ¿Cuál es la variable de respuesta?Exercise 3: Visualización de dos variables Exercise 4: Ajustar una regresión lineal Exercise 5: Estima el intercepto.Exercise 6: Estima la pendiente.Exercise 7: Regresión lineal con lm()Exercise 8: Variables explicativas categóricas Exercise 9: Visualización numérica frente a categórica Exercise 10: Cálculo de medios por categoría Exercise 11: lm() con una variable explicativa categórica

En este capítulo, descubrirás cómo utilizar modelos de regresión lineal para realizar predicciones sobre los precios de la vivienda en Taiwán y los clics en anuncios de Facebook. También desarrollarás tus habilidades de regresión a medida que adquieras experiencia práctica con objetos de modelo, comprendas el concepto de «regresión a la media» y aprendas a transformar variables en un conjunto de datos.

Exercise 1: Hacer predicciones Exercise 2: Predicción de los precios de la vivienda Exercise 3: Visualización de predicciones Exercise 4: Los límites de la predicción Exercise 5: Trabajar con objetos modelo Exercise 6: Extracción de elementos del modelo Exercise 7: Predicción manual de los precios de la vivienda Exercise 8: Usando una escoba Exercise 9: Regresión a la media Exercise 10: ¡Home run!Exercise 11: Gráficando los rendimientos consecutivos del portafolio Exercise 12: Modelización de rendimientos consecutivos Exercise 13: Transformación de variables Exercise 14: Transformación de la variable explicativa Exercise 15: Transformando también la variable de respuesta

En este capítulo, aprenderás a formular preguntas sobre tu modelo para evaluar su adecuación. Aprenderás a cuantificar el ajuste de un modelo de regresión lineal, diagnosticar problemas del modelo mediante visualizaciones y comprender la influencia y el peso de cada observación utilizada para crear el modelo.

Exercise 1: Cuantificación del ajuste del modelo Exercise 2: Coeficiente de determinación Exercise 3: Error estándar residual Exercise 4: Visualización del ajuste del modelo Exercise 5: Residuos frente a valores ajustados Exercise 6: Gráfico Q-Q de residuos Exercise 7: Ubicación de la escala Exercise 8: Dibujar gráficos de diagnóstico Exercise 9: Valores atípicos, influencia y poder Exercise 10: Apalancamiento Exercise 11: Influencia Exercise 12: Obtener ventaja e influencia

Aprende a ajustar modelos de regresión logística. Utilizando datos del mundo real, predirás la probabilidad de que un cliente cierre su cuenta bancaria en forma de probabilidades de éxito y razones de probabilidad, y cuantificarás el rendimiento del modelo utilizando matrices de confusión.

Exercise 1: Por qué necesitas la regresión logística Exercise 2: Exploración de las variables explicativas Exercise 3: Visualización de modelos lineales y logísticos Exercise 4: Regresión logística con glm()Exercise 5: Predicciones y odds ratios Exercise 6: Probabilidades Exercise 7: Resultado más probable

Ejercicio actual

Exercise 8: Razón de probabilidades Exercise 9: Logaritmo del cociente de probabilidades Exercise 10: Cuantificación del ajuste de la regresión logística Exercise 11: Cálculo de la matriz de confusión Exercise 12: Medición del rendimiento del modelo logístico Exercise 13: Precisión, sensibilidad, especificidad Exercise 14: ¡Enhorabuena!