Accuracy, sensitivity, specificity

Confusion matrix से कई performance metrics निकाले जा सकते हैं. Logistic regression के लिए इनमें से तीन खास तौर पर महत्वपूर्ण हैं: accuracy, sensitivity, और specificity. क्या आप बता सकते हैं कि churn मॉडल के संदर्भ में इनका क्या अर्थ है?

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में statsmodels के साथ Regression परिचय

पाठ्यक्रम देखें

इंटरैक्टिव व्यावहारिक अभ्यास

हमारे इंटरैक्टिव अभ्यासों में से किसी एक के साथ सिद्धांत को व्यवहार में बदलें

अभ्यास शुरू करें

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में statsmodels के साथ Regression परिचय

SkillTag.level.intermediateSkillTag.label

4.8+

पाठ्यक्रम मुफ्त में शुरू करें

आप इस लोकप्रिय सांख्यिकीय मॉडल की बुनियादी बातें, regression क्या है, और linear व logistic regressions में अंतर क्या है, यह सीखेंगे। इसके बाद, आप numeric और categorical explanatory variables के साथ simple linear regression models फिट करना सीखेंगे, और model coefficients का उपयोग करके response और explanatory variables के बीच संबंध को समझाएँगे।

Exercise 1: दो वैरिएबल्स की कहानी Exercise 2: Response वैरिएबल कौन-सा है?Exercise 3: दो संख्यात्मक वैरिएबल्स का विज़ुअलाइज़ेशन Exercise 4: लिनियर रिग्रेशन फिट करना Exercise 5: इंटरसेप्ट का अनुमान लगाएँ Exercise 6: स्लोप का अनुमान लगाएँ Exercise 7: ols() के साथ linear regression Exercise 8: श्रेणीबद्ध explanatory वैरिएबल Exercise 9: संख्यात्मक बनाम श्रेणीबद्ध का विज़ुअलाइज़ेशन Exercise 10: श्रेणी के अनुसार औसत निकालना Exercise 11: श्रेणीबद्ध explanatory वैरिएबल के साथ linear regression

इस चैप्टर में, आप सीखेंगे कि Taiwanese house prices और Facebook विज्ञापन clicks पर predictions बनाने के लिए linear regression models का उपयोग कैसे करें। आप model objects के साथ practically काम करके अपनी regression स्किल्स को बढ़ाएँगे, "regression to the mean" की अवधारणा समझेंगे, और किसी डेटासेट में variables को transform करना सीखेंगे।

Exercise 1: Predictions बनाना Exercise 2: हाउस प्राइस की भविष्यवाणी Exercise 3: Predictions को विज़ुअलाइज़ करना Exercise 4: भविष्यवाणी की सीमाएँ Exercise 5: मॉडल ऑब्जेक्ट्स के साथ काम करना Exercise 6: मॉडल के एलिमेंट निकालना Exercise 7: मैन्युअली हाउस प्राइस की भविष्यवाणी Exercise 8: Regression to the mean Exercise 9: होम रन!Exercise 10: लगातार पोर्टफोलियो रिटर्न का प्लॉट बनाना Exercise 11: लगातार रिटर्न्स का मॉडलिंग Exercise 12: वैरिएबल्स को ट्रांसफॉर्म करना Exercise 13: व्याख्यात्मक वैरिएबल को ट्रांसफॉर्म करना Exercise 14: Response वैरिएबल को भी ट्रांसफॉर्म करना Exercise 15: Back transformation

इस चैप्टर में, आप मॉडल से सवाल पूछकर उसके fit का आकलन करना सीखेंगे। आप जानेंगे कि कोई linear regression model कितना अच्छा फिट होता है इसे quantify कैसे करें, visualizations की मदद से model की समस्याओं का निदान कैसे करें, और हर observation के leverage और influence को समझकर मॉडल तैयार करें।

Exercise 1: मॉडल फिट को मात्रात्मक रूप से आँकना Exercise 2: Coefficient of determination Exercise 3: Residual standard error Exercise 4: मॉडल फिट का विज़ुअलाइज़ेशन Exercise 5: Residuals बनाम fitted values Exercise 6: रेज़िडुअल्स का Q-Q प्लॉट Exercise 7: स्केल-लोकेशन Exercise 8: डायग्नॉस्टिक प्लॉट बनाना Exercise 9: आउटलायर, लीवरेज, और इन्फ्लुएंस Exercise 10: Leverage Exercise 11: Influence Exercise 12: Leverage और Influence निकालना

Logistic regression models फिट करना सीखिए। वास्तविक डेटा का उपयोग करके, आप यह भविष्यवाणी करेंगे कि कोई ग्राहक अपना बैंक अकाउंट बंद करेगा या नहीं—इसे probabilities of success और odds के रूप में व्यक्त करेंगे—और confusion matrices की मदद से model performance को quantify करेंगे।

Exercise 1: Logistic regression की ज़रूरत क्यों पड़ती है Exercise 2: व्याख्यात्मक वैरिएबल्स को समझना Exercise 3: लिनियर और लॉजिस्टिक मॉडलों का विज़ुअलाइज़ेशन Exercise 4: logit() के साथ Logistic regression Exercise 5: प्रेडिक्शन और ऑड्स Exercise 6: Probabilities Exercise 7: सबसे संभावित परिणाम Exercise 8: Odds Exercise 9: लॉग ऑड्स Exercise 10: Logistic regression के फिट को मापना Exercise 11: Confusion matrix की गणना Exercise 12: कन्फ्यूज़न मैट्रिक्स का मोज़ेक प्लॉट बनाना Exercise 13: Accuracy, sensitivity, specificity

वर्तमान अभ्यास

Exercise 14: Logistic मॉडल का प्रदर्शन मापना Exercise 15: बधाई हो