Accuracy, sensitivity, specificity

yardstick può calcolare molte metriche di performance a partire da una matrice di confusione. Per la regressione logistica, tre in particolare sono importanti: accuracy, sensitivity e specificity. Sai identificare cosa significa ciascun termine nel contesto del modello di churn?

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 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

Esercizio attuale

Exercise 14: Congratulazioni