Erreur type résiduelle

L'erreur type résiduelle (RSE) est une mesure de la taille typique des résidus. De manière équivalente, il s'agit d'une mesure du degré d'inexactitude auquel on peut s'attendre dans les prévisions. Les chiffres les plus bas sont les plus appropriés, zéro étant parfaitement adapté aux données.

Une fois encore, vous examinerez les modèles issus du pipeline publicitaire, mdl_click_vs_impression_orig et mdl_click_vs_impression_trans. broom est chargé.

Cet exercice fait partie du cours

Introduction à la régression dans R

Afficher le cours

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Get RSE for mdl_click_vs_impression_orig
mdl_click_vs_impression_orig %>% 
  # Get the model-level details
  ___ %>% 
  # Pull out sigma
  ___

# Do the same for the transformed model
___

Modifier et exécuter le code

Cet exercice fait partie du cours

Introduction à la régression dans R

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

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

Exercise 1: Une histoire de deux variables Exercise 2: Laquelle est la variable de réponse ?Exercise 3: Visualisation de deux variables Exercise 4: Ajustement d'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: Visualisation numérique par rapport à catégorielle Exercise 10: Calcul 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 établir des prévisions sur les prix de l'immobilier à Taïwan et les clics sur les publicités Facebook. Vous développerez également vos compétences en régression en vous familiarisant avec les objets modèles, en comprenant le concept de « régression vers la moyenne » et en apprenant à transformer les variables d'un ensemble de données.

Exercise 1: Faire des prévisions Exercise 2: Prévision des prix de l'immobilier Exercise 3: Visualisation des prévisions Exercise 4: Les limites de la prédiction Exercise 5: Utilisation des objets modèles Exercise 6: Extraction des éléments du modèle Exercise 7: Prévision manuelle des prix immobiliers Exercise 8: Utilisation du balai Exercise 9: Régression vers la moyenne Exercise 10: Home run !Exercise 11: Traçage de rendements consécutifs d'un portefeuille Exercise 12: Modélisation des rendements consécutifs Exercise 13: Transformer des variables Exercise 14: Transformation de la variable explicative Exercise 15: Transformer également la variable de réponse

Dans ce chapitre, vous apprendrez à poser des questions à votre modèle afin d'évaluer son adéquation. Vous apprendrez à quantifier l'ajustement d'un modèle de régression linéaire, à diagnostiquer les problèmes du modèle à l'aide de visualisations et à comprendre le levier et l'influence de chaque observation utilisée pour créer le modèle.

Exercise 1: Quantification de l'ajustement du modèle Exercise 2: Coefficient de détermination Exercise 3: Erreur type résiduelle

Exercice en cours

Exercise 4: Visualisation de l'ajustement du modèle Exercise 5: Résidus par rapport aux valeurs ajustées Exercise 6: Graphique Q-Q des résidus Exercise 7: Échelle-position Exercise 8: Tracer des graphiques diagnostiques Exercise 9: Valeurs aberrantes, levier et influence Exercise 10: Levier Exercise 11: Influence Exercise 12: Extraction du levier et de l’influence

Apprenez à ajuster des modèles de régression logistique. À l'aide de données réelles, vous évaluerez la probabilité qu'un client clôture son compte bancaire sous forme de probabilités de réussite et de rapports de cotes, et vous quantifierez les performances du modèle à l'aide de matrices de confusion.

Exercise 1: Pourquoi la régression logistique est-elle nécessaire ?Exercise 2: Analyse des variables explicatives Exercise 3: Visualisation des modèles linéaires et logistiques Exercise 4: Régression logistique avec glm()Exercise 5: Prévisions et rapports de cotes Exercise 6: Probabilités Exercise 7: Résultat le plus probable Exercise 8: Rapport de cotes Exercise 9: Rapport de cotes logarithmique Exercise 10: Quantification de l'ajustement de la régression logistique Exercise 11: Calcul de la matrice de confusion Exercise 12: Mesurer la performance du modèle logistique Exercise 13: Précision, sensibilité, spécificité Exercise 14: Félicitations