Stima di modelli logistici

Molti problemi di business richiedono la previsione di una variabile risposta binaria. Il tuo futuro datore di lavoro potrebbe aver bisogno di rilevare e‑mail di spam, frodi con carta di credito o malattie rare.

Il modello di regressione logistica è la scelta standard per i problemi di classificazione binaria.

In questo esercizio userai il dataset su Parkinson dell’UCI repository. Questo insieme di dati comprende una serie di misurazioni biomediche della voce di persone con e senza morbo di Parkinson.

Userai le seguenti variabili del dataset:

status - 1 se una persona ha il morbo di Parkinson, 0 altrimenti,
NHR - una misura del rapporto tra componenti di rumore e componenti tonali nella voce,
DFA - un esponente di scalatura frattale del segnale.

Il dataset è disponibile come parkinsons.

Questo esercizio fa parte del corso

Esercitarsi con le domande di statistica per i colloqui in R

Visualizza il corso

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Plot status vs NHR
___(status ~ ___, data = ___)

# Plot status vs DFA
___(___ ~ ___, ___ = ___)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Esercitarsi con le domande di statistica per i colloqui in R

AvançadoNível de habilidade

4.7+

Inizia il corso gratis

Want to increase your odds of acing your job interview? If so, brush up on your knowledge of probability theory. In this chapter, we'll roll dice and shoot baskets to explain probabilities using real-life examples.

Exercise 1: Discrete distributions Exercise 2: Probability functions Exercise 3: Bernoulli trials Exercise 4: Binomial distribution Exercise 5: Continuous distributions Exercise 6: Uniform distribution Exercise 7: Shape of normal distribution Exercise 8: Sample from normal distribution Exercise 9: Central limit theorem Exercise 10: Law of large numbers Exercise 11: Simulating central limit theorem

If the job description appeals to you review descriptive statistics before the interview. In this chapter, you will practice exploratory data analysis (EDA) using natural gas prices and data from a survey analysis.

Exercise 1: Descriptive statistics Exercise 2: Centrality measures Exercise 3: Variability measures Exercise 4: Categorical data Exercise 5: Survey analysis Exercise 6: Data encoding Exercise 7: Time series Exercise 8: Time series object Exercise 9: Wrangling time series Exercise 10: Principal Component Analysis Exercise 11: PCA - rotation Exercise 12: PCA - dimension reduction

March confidently into your job interview after reviewing confidence intervals. We'll review the t-test, ANOVA, and normality tests to prepare you for statistics-based coding questions.

Exercise 1: Normality tests Exercise 2: Shapiro-Wilk test Exercise 3: Q-Q plot Exercise 4: Inference for a mean Exercise 5: Confidence interval Exercise 6: One-sample t-test Exercise 7: Comparing two means Exercise 8: Two-sample t-test Exercise 9: Paired test Exercise 10: ANOVA Exercise 11: Comparing groups Exercise 12: ANOVA for plant growth

Is your potential employer planning to test your R skills? Make sure you’re prepared and practice model evaluation beforehand. In this chapter, we will fit and evaluate linear and logistic regression models using various biomedical datasets. By the end of this chapter, you’ll be fully prepared to answer any question the interviewer throws your way!

Exercise 1: Covarianza e correlazione Exercise 2: Covarianza a mano Exercise 3: Relazione lineare Exercise 4: Relazione non lineare Exercise 5: Modello di regressione lineare Exercise 6: Adattare modelli lineari Exercise 7: Previsioni con modelli lineari Exercise 8: Modello di regressione logistica Exercise 9: Stima di modelli logistici

Esercizio in corso

Exercise 10: Previsioni con modelli logistici Exercise 11: Valutazione del modello Exercise 12: Approccio del validation set Exercise 13: Valutazione della regressione Exercise 14: Valutazione della classificazione Exercise 15: Per concludere