Anda akan mempelajari dasar-dasar model statistik populer ini, apa itu regresi, dan perbedaan antara regresi linear dan logistik. Anda kemudian akan belajar menyesuaikan model regresi linear sederhana dengan variabel penjelas numerik dan kategorikal, serta bagaimana mendeskripsikan hubungan antara variabel respons dan variabel penjelas menggunakan koefisien model.

Kisah tentang dua variabel

Manakah variabel responsnya?

Memvisualisasikan dua variabel numerik

Melatih regresi linear

Perkirakan intersep

Perkirakan kemiringan (slope)

Regresi linear dengan ols()

Variabel penjelas kategorikal

Memvisualisasikan numerik vs. kategorikal

Menghitung mean per kategori

Regresi linear dengan variabel penjelas kategorikal

Pembangunan Model Regresi Linear Sederhana

Dalam bab ini, Anda akan mempelajari cara menggunakan model regresi linear untuk membuat prediksi atas harga rumah di Taiwan dan klik iklan Facebook. Anda juga akan mengasah keterampilan regresi saat berlatih dengan objek model, memahami konsep "regresi menuju rerata", dan mempelajari cara mentransformasikan variabel dalam sebuah himpunan data.

Membuat prediksi

Memprediksi harga rumah

Memvisualisasikan prediksi

Batas kemampuan prediksi

Bekerja dengan objek model

Mengekstrak elemen model

Memprediksi harga rumah secara manual

Regresi ke Rata-rata

Home run!

Memplot imbal hasil portofolio berurutan

Memodelkan imbal hasil berurutan

Mentransformasikan variabel

Mentransformasi variabel penjelas

Mentransformasi variabel respons juga

Transformasi balik

Prediksi dan objek model

Dalam bab ini, Anda akan belajar bagaimana mengajukan pertanyaan terhadap model Anda untuk menilai kecocokan. Anda akan mempelajari cara mengukur seberapa baik sebuah model regresi linear sesuai, mendiagnosis masalah model menggunakan visualisasi, serta memahami leverage dan pengaruh setiap observasi dalam membentuk model.

Mengkuantifikasi kecocokan model

Koefisien determinasi

Residual standard error

Memvisualisasikan kecocokan model

Residual vs. nilai terduga

Plot Q-Q dari residual

Scale-location

Menggambar plot diagnostik

Pencilan, leverage, dan pengaruh

Leverage

Pengaruh

Mengekstrak leverage dan pengaruh

Menilai kecocokan model

Pelajari cara menyesuaikan model regresi logistik. Dengan data dunia nyata, Anda akan memprediksi kemungkinan seorang nasabah menutup rekening banknya sebagai probabilitas keberhasilan dan odds, serta mengukur kinerja model menggunakan confusion matrix.

Mengapa Anda memerlukan regresi logistik

Menjelajahi variabel penjelas

Memvisualisasikan model linear dan logistik

Regresi logistik dengan logit()

Prediksi dan odds

Probabilitas

Hasil yang paling mungkin

Odds

Log odds

Mengukur kesesuaian regresi logistik

Menghitung confusion matrix

Menggambar mosaic plot dari confusion matrix

Metrik kinerja logistik

Accuracy

Sensitivity

Specificity

Accuracy, sensitivity, specificity

Mengukur kinerja model logistik

Selamat

Pembangunan Model Regresi Logistik Sederhana

Customer churn data

Taiwan real estate data

Ad conversion data

S&P 500 data

Fish measurement data

Course Glossary

Regresi linear dan regresi logistik adalah dua model statistik yang paling luas digunakan. Keduanya seperti kunci utama yang membuka rahasia tersembunyi dalam data Anda. Dalam kursus ini, Anda akan mempelajari keterampilan untuk menyesuaikan regresi linear dan logistik sederhana. Melalui latihan praktis, Anda akan menelusuri hubungan antarkelompok variabel dalam himpunan data dunia nyata, termasuk klaim asuransi kendaraan bermotor, harga rumah di Taiwan, ukuran ikan, dan lainnya. Pada akhir kursus, Anda akan mengetahui cara membuat prediksi dari data, mengukur kinerja model, dan mendiagnosis masalah pada kecocokan model.

Video menyertakan transkrip langsung yang dapat Anda tampilkan dengan mengeklik "Show transcript" di kiri bawah video.
Glosarium kursus dapat ditemukan di sebelah kanan pada bagian sumber daya.
Untuk memperoleh kredit CPE, Anda harus menyelesaikan kursus dan mencapai skor 70% pada penilaian yang memenuhi syarat. Anda dapat membuka penilaian dengan mengeklik pemberitahuan kredit CPE di sebelah kanan.

<h2>Gunakan Python statsmodels untuk Regresi Linier dan Regresi Logistik</h2>
Regresi linier dan regresi logistik adalah dua model statistik yang paling banyak digunakan. Mereka berfungsi seperti kunci serbaguna, membuka rahasia yang tersembunyi dalam data Anda. Dalam kursus ini, Anda akan memperoleh keterampilan untuk melakukan regresi linier dan logistik sederhana. 
<br><br>
Melalui latihan praktis, Anda akan mempelajari hubungan antar variabel dalam kumpulan data dunia nyata, termasuk klaim asuransi kendaraan bermotor, harga rumah di Taiwan, ukuran ikan, dan masih banyak lagi.
<br><br>
<h2>Pelajari Cara Membuat Prediksi dan Mengevaluasi Kesesuaian Model</h2>
Anda akan memulai kursus berdurasi 4 jam ini dengan mempelajari apa itu regresi serta perbedaan antara regresi linier dan regresi logistik, serta mempelajari cara menerapkan keduanya. Selanjutnya, Anda akan mempelajari cara menggunakan model regresi linier untuk membuat prediksi berdasarkan data sekaligus memahami objek-objek model. 
<br><br>
Seiring dengan kemajuan Anda, Anda akan belajar cara mengevaluasi kesesuaian model Anda, serta cara mengetahui seberapa baik model regresi linier Anda sesuai dengan data. Terakhir, Anda akan mempelajari model regresi logistik secara lebih mendalam untuk membuat prediksi berdasarkan data nyata. 
<br><br>
<h2>Pelajari Dasar-dasar Analisis Regresi Python </h2>
Pada akhir kursus ini, Anda akan mengetahui cara membuat prediksi berdasarkan data Anda, mengukur kinerja model, dan mengidentifikasi masalah terkait kesesuaian model. Anda akan memahami cara menggunakan Python statsmodels untuk analisis regresi dan mampu menerapkan keterampilan tersebut pada kumpulan data nyata. 

Introduction to Data Visualization with Seaborn

Introduction to Statistics in Python

Pelajari cara menggunakan statsmodels dan analisis regresi untuk prediksi data dan evaluasi model.

Pengantar Regresi dengan statsmodels di Python

Ramalkan harga properti dan rasio klik iklan dengan menerapkan, menganalisis, dan menafsirkan analisis regresi menggunakan statsmodels di Python.

Selamat

Create Your Free Account