Home run !

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

Vous voyez ici un jeu de données sur les performances au bâton en baseball en 2017 et 2018. Chaque point représente un joueur, et plus il y a de home runs, mieux c'est. Une prédiction naïve consisterait à dire que la performance en 2018 est la même qu'en 2017. Autrement dit, une régression linéaire se placerait sur la droite « y égal x ».

Explorez le graphique et faites des prédictions. Que suggère la régression vers la moyenne concernant le nombre de home runs en 2018 pour un joueur qui a été très performant en 2017 ?

Cet exercice fait partie du cours

<cours>Introduction à la régression avec statsmodels en Python</cours>

Exercice interactif pratique

Transformez la théorie en action avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

<cours>Introduction à la régression avec statsmodels en Python</cours>

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Vous apprendrez les bases de ce modèle statistique très répandu, 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: Laquelle est la variable de réponse ?Exercise 3: Visualiser deux variables numériques 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 ols()Exercise 8: Variables explicatives catégorielles Exercise 9: Visualisation numérique par rapport à catégorielle Exercise 10: Calcul des moyennes par catégorie Exercise 11: Régression linéaire 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 publicités Facebook. Vous renforcerez aussi vos compétences en régression en manipulant des objets 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 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: Régression vers la moyenne Exercise 9: Home run !

Exercice actuel

Exercise 10: Traçage de rendements consécutifs d'un portefeuille Exercise 11: Modélisation des rendements consécutifs Exercise 12: Transformer des variables Exercise 13: Transformation de la variable explicative Exercise 14: Transformer également la variable de réponse Exercise 15: Transformation inverse

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 sur la construction du 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: Leverage Exercise 11: Influence Exercise 12: Extraction du levier et de l’influence

Apprenez à ajuster des modèles de régression logistique. À partir de données réelles, vous prédirez la probabilité qu’un client ferme son compte bancaire sous forme de probabilités de succès et de cotes (odds), 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 logit()Exercise 5: Prédictions et cotes Exercise 6: Probabilités Exercise 7: Résultat le plus probable Exercise 8: Cotes (odds)Exercise 9: Log-cotes Exercise 10: Quantification de l'ajustement de la régression logistique Exercise 11: Calcul de la matrice de confusion Exercise 12: Tracer un diagramme en mosaïque de la matrice de confusion Exercise 13: Précision, sensibilité, spécificité Exercise 14: Mesurer la performance du modèle logistique Exercise 15: Félicitations