Stima l'intercetta

I modelli di regressione lineare adattano sempre una retta ai dati. Le rette sono definite da due proprietà: la loro intercetta e la loro pendenza.

Qui puoi vedere uno scatter plot del prezzo della casa per area rispetto al numero di minimarket nelle vicinanze, usando l'insieme di dati del mercato immobiliare di Taiwan.

Clicca sul grafico, poi stima l'intercetta della linea di tendenza della regressione lineare.

Questo esercizio fa parte del corso

Introduzione alla regressione in R

Visualizza corso

esercizio interattivo pratico

Trasforma la teoria in pratica con uno dei nostri esercizi interattivi

Inizia esercizio

Questo esercizio fa parte del corso

Introduzione alla regressione in R

IntermediárioNível de habilidade

4.8+

Inizia il corso gratuitamente

Imparerai le basi di questo popolare modello statistico, cos’è la regressione e in cosa differiscono regressione lineare e logistica. Vedrai poi come adattare modelli di regressione lineare semplice con variabili esplicative numeriche e categoriche e come descrivere la relazione tra variabile risposta ed esplicative usando i coefficienti del modello.

Exercise 1: Una storia di due variabili Exercise 2: Qual è la variabile di risposta?Exercise 3: Visualizzare due variabili Exercise 4: Adattare una regressione lineare Exercise 5: Stima l'intercetta

Esercizio attuale

Exercise 6: Stima la pendenza Exercise 7: Regressione lineare con lm()Exercise 8: Variabili esplicative categoriche Exercise 9: Visualizzare numerico vs. categorico Exercise 10: Calcolare le medie per categoria Exercise 11: lm() con una variabile esplicativa categorica

In questo capitolo scoprirai come usare modelli di regressione lineare per fare previsioni sui prezzi delle case a Taiwan e sui clic degli annunci Facebook. Farai anche un passo avanti con le competenze di regressione lavorando con gli oggetti modello, capendo il concetto di “regressione verso la media” e imparando a trasformare le variabili in un insieme di dati.

Exercise 1: Fare previsioni Exercise 2: Prevedere i prezzi delle case Exercise 3: Visualizzare le previsioni Exercise 4: I limiti della previsione Exercise 5: Lavorare con gli oggetti modello Exercise 6: Estrarre elementi del modello Exercise 7: Prevedere manualmente i prezzi delle case Exercise 8: Uso di broom Exercise 9: Regressione verso la media Exercise 10: Fuoricampo!Exercise 11: Rappresentare i rendimenti consecutivi di un portafoglio Exercise 12: Modellare i rendimenti consecutivi Exercise 13: Trasformare le variabili Exercise 14: Trasformare la variabile esplicativa Exercise 15: Trasformare anche la variabile di risposta

In questo capitolo imparerai come interrogare il tuo modello per valutarne l’adattamento. Imparerai a quantificare quanto bene si adatta un modello di regressione lineare, a diagnosticare problemi del modello usando visualizzazioni e a comprendere la leva e l’influenza di ciascuna osservazione usata per creare il modello.

Exercise 1: Quantificare l'aderenza del modello Exercise 2: Coefficiente di determinazione Exercise 3: Errore standard residuo Exercise 4: Visualizzare l’aderenza del modello Exercise 5: Residui vs. valori adattati Exercise 6: Q-Q plot dei residui Exercise 7: Scale-location Exercise 8: Creare i grafici diagnostici Exercise 9: Outlier, leverage e influenza Exercise 10: Leverage Exercise 11: Influenza Exercise 12: Estrarre leverage e influenza

Impara ad adattare modelli di regressione logistica. Usando dati reali, prevederai la probabilità che un cliente chiuda il proprio conto bancario come probabilità di successo e odds ratio, e quantificherai le prestazioni del modello usando matrici di confusione.

Exercise 1: Perché ti serve la regressione logistica Exercise 2: Esplorare le variabili esplicative Exercise 3: Visualizzare modelli lineari e logistici Exercise 4: Regressione logistica con glm()Exercise 5: Previsioni e odds ratio Exercise 6: Probabilità Exercise 7: Esito più probabile Exercise 8: Odds ratio Exercise 9: Log odds ratio Exercise 10: Quantificare l'aderenza della regressione logistica Exercise 11: Calcolare la matrice di confusione Exercise 12: Misurare le prestazioni del modello logistico Exercise 13: Accuracy, sensitivity, specificity Exercise 14: Congratulazioni