Logarithme du rapport de cotes

Un inconvénient des probabilités et des rapports de cotes pour les prédictions en régression logistique, c'est que leurs lignes de prédiction sont courbes. Il devient alors plus difficile de comprendre ce qui arrive à la prédiction lorsqu'on modifie la variable explicative. Le logarithme du rapport de cotes (le « log-rapport de cotes ») entretient, lui, une relation linéaire entre la réponse prédite et la variable explicative. Autrement dit, lorsque la variable explicative change, la mesure de réponse ne subit pas de variations soudaines : seulement des changements linéaires.

Comme les valeurs réelles du log-rapport de cotes sont moins intuitives que celles du rapport de cotes (linéaire), pour la visualisation il est généralement préférable de tracer le rapport de cotes et d'appliquer une transformation logarithmique à l'échelle de l'axe des y.

mdl_churn_vs_relationship, explanatory_data et plt_churn_vs_relationship sont disponibles et dplyr est chargé.

Cette activité fait partie du cours

Introduction à la régression en R

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Update the data frame
prediction_data <- explanatory_data %>% 
  mutate(   
    has_churned = predict(mdl_churn_vs_relationship, explanatory_data, type = "response"),
    odds_ratio = has_churned / (1 - has_churned),
    # Add the log odds ratio from odds_ratio
    log_odds_ratio = ___,
    # Add the log odds ratio using predict()
    log_odds_ratio2 = ___
  )

# See the result
prediction_data

Modifier et exécuter le code

Cette activité fait partie du cours

Introduction à la régression en R

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Vous apprendrez les bases de ce modèle statistique populaire, ce qu'est la régression et en quoi les régressions linéaire et logistique diffèrent. Vous verrez ensuite comment ajuster des modèles de régression linéaire simples avec des variables explicatives numériques et catégorielles, et comment décrire la relation entre la variable réponse et les variables explicatives à l'aide des coefficients du modèle.

Exercise 1: Une histoire de deux variables Exercise 2: Quelle est la variable réponse?Exercise 3: Visualiser deux variables Exercise 4: Ajuster une régression linéaire Exercise 5: Estimer l'ordonnée à l'origine Exercise 6: Estimer la pente Exercise 7: Régression linéaire avec lm()Exercise 8: Variables explicatives catégorielles Exercise 9: Visualiser une variable numérique et une variable catégorielle Exercise 10: Calculer des moyennes par catégorie Exercise 11: lm() avec une variable explicative catégorielle

Dans ce chapitre, vous découvrirez comment utiliser des modèles de régression linéaire pour faire des prédictions sur les prix des maisons à Taïwan et les clics sur des annonces Facebook. Vous approfondirez aussi vos compétences en régression en manipulant des objets de modèle, en comprenant le concept de « régression vers la moyenne » et en apprenant à transformer des variables dans un jeu de données.

Exercise 1: Faire des prédictions Exercise 2: Prédire les prix des maisons Exercise 3: Visualiser les prédictions Exercise 4: Les limites de la prédiction Exercise 5: Travailler avec les objets de modèle Exercise 6: Extraire des éléments du modèle Exercise 7: Prédire manuellement les prix des maisons Exercise 8: Utiliser broom Exercise 9: La régression vers la moyenne Exercise 10: Coup de circuit!Exercise 11: Tracer des rendements consécutifs de portefeuille Exercise 12: Modéliser les rendements consécutifs Exercise 13: Transformer des variables Exercise 14: Transformer la variable explicative Exercise 15: Transformer aussi la variable réponse

Dans ce chapitre, vous apprendrez à interroger votre modèle pour évaluer son ajustement. Vous verrez comment quantifier la qualité d'ajustement d'un modèle de régression linéaire, diagnostiquer des problèmes de modèle à l'aide de visualisations et comprendre l'effet de levier et l'influence de chaque observation utilisée pour créer le modèle.

Exercise 1: Quantifier l'ajustement du modèle Exercise 2: Coefficient de détermination Exercise 3: Erreur standard résiduelle Exercise 4: Visualiser l'ajustement du modèle Exercise 5: Résidus par rapport aux valeurs ajustées Exercise 6: Graphique Q-Q des résidus Exercise 7: Échelle–localisation Exercise 8: Tracer des graphiques diagnostiques Exercise 9: Valeurs aberrantes, levier et influence Exercise 10: Apport d'un point (Leverage)Exercise 11: Influence Exercise 12: Extraction de l'effet de levier et de l'influence

Apprenez à ajuster des modèles de régression logistique. À partir de données réelles, vous prédirez la probabilité qu'une ou un client ferme son compte bancaire sous forme de probabilités de succès et de rapports de cotes, et vous quantifierez la performance du modèle à l'aide de matrices de confusion.

Exercise 1: Pourquoi avez-vous besoin de la régression logistique Exercise 2: Explorer les variables explicatives Exercise 3: Visualiser des modèles linéaires et logistiques Exercise 4: Régression logistique avec glm()Exercise 5: Prédictions et rapports de cotes Exercise 6: Probabilités Exercise 7: Issue la plus probable Exercise 8: Rapport de cotes Exercise 9: Logarithme du rapport de cotes

Exercice en cours

Exercise 10: Quantifier l'ajustement d'une régression logistique Exercise 11: Calcul de la matrice de confusion Exercise 12: Mesurer la performance d'un modèle logistique Exercise 13: Exactitude, sensibilité, spécificité Exercise 14: Félicitations