前の演習で学習したモデル model を使って、係数の解釈と、応答の平均に対する乗法的な影響を確認しましょう。
model
乗法効果は \(exp(\beta_1)\) で計算することを思い出してください。
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
線形モデルを復習し、GLMがさまざまなタイプの応答変数に対応するために線形モデルを拡張した枠組みであることを学びます。さらに、GLMの構成要素と、PythonでGLMを当てはめる手順も身につけます。
この章ではロジスティック回帰に焦点を当てます。二値データの構造、ロジットリンク関数、モデルの当てはめ、係数の解釈、推論、そしてモデル性能の評価方法を学びます。
この章ではPoisson回帰を学びます。カウントデータの特徴、Poisson分布、モデル当てはめの解釈を扱います。過分散への対処法も学び、最後にモデル可視化のプロセスを実践します。
現在の演習
最終章では、1つ以上の説明変数を追加してモデルの複雑さを高める方法を学びます。多重共線性への対応、カテゴリ変数や交互作用項の扱いについても演習します。