Home run !

La régression vers la moyenne est un concept important dans de nombreux domaines, y compris le sport.

Vous trouverez ci-dessous un ensemble de données relatives aux performances au bâton en baseball pour les années 2017 et 2018. Chaque point représente un joueur, et plus il y a de home runs, mieux c'est. Une prévision naïve pourrait être que les performances de 2018 seront identiques à celles de 2017. En d'autres termes, une régression linéaire se situerait sur la ligne « y égale x ».

Veuillez examiner le graphique et formuler des prédictions. Que révèle la régression vers la moyenne concernant le nombre de home runs en 2018 pour un joueur qui a connu un grand succès en 2017 ?

Cet exercice fait partie du cours

Introduction à la régression dans R

Afficher le cours

Exercice interactif pratique

Passez de la théorie à la pratique avec l’un de nos exercices interactifs

Commencer l’exercice

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 !

Exercice en cours

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 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