선형 모델을 복습하고, 서로 다른 유형의 반응 변수에 맞춰 선형 모델을 확장한 GLM의 개념을 배웁니다. 또한 GLM의 구성 요소와 Python에서 GLM을 적합하는 기술적 절차도 익히게 됩니다.

선형 회귀를 넘어

선형 모형 적용하기

선형 모델, GLM의 특수한 경우

GLM은 어떻게 구축하나요?

데이터 유형과 분포 계열

선형 모델과 이진 반응 변수

예측값 비교하기

Python에서 GLM을 어떻게 적합하나요?

단계별로 모델 적합하기

summary()로 확인하는 모델 적합 결과

모수 추정치 추출하기

GLM 소개

이 장은 로지스틱 회귀에 초점을 맞춥니다. 이진 데이터의 구조, logit 링크 함수, 모델 적합 방법을 배우고, 모수 해석, 추론, 모델 성능 평가 방법까지 익히게 됩니다.

이진 데이터와 로지스틱 회귀

오즈와 확률 계산하기

로지스틱 회귀 적합하기

계수 해석하기

승산 관점에서의 계수

모형 공식

로지스틱 모델 해석하기

확률의 변화율

모델 추론 해석하기

통계적 유의성

Wald 통계량 계산하기

신뢰 구간

예측 계산과 해석하기

regplot()으로 모델 적합 시각화하기

예측값 계산하기

혼동 행렬 계산하기

이진 데이터 모델링

이 장에서는 Poisson 회귀를 다루며, 개수 데이터와 Poisson 분포, 그리고 모델 적합 결과 해석을 학습합니다. 과산포 문제를 극복하는 방법도 알아봅니다. 마지막으로 모델을 시각화하는 실습을 진행합니다.

계수 데이터와 포아송 분포

반응변수 시각화하기

포아송 회귀 적합하기

모형 적합 해석하기

모수 lambda 추정하기

포아송 회귀 계수 해석하기

포아송 신뢰 구간

과산포 문제

평균이 분산과 같은가요?

기대 카운트 수 계산하기

과산포 확인하기

음이항 모형 적합하기

음이항 모형의 신뢰 구간

회귀 모델 시각화하기

데이터와 선형 모델 적합 그리기

적합값 그리기

개수 데이터 모델링

마지막 장에서는 하나 이상의 설명 변수를 추가해 모델의 복잡도를 높이는 방법을 배웁니다. 다중공선성 문제를 다뤄 보고, 범주형 변수와 상호작용 항을 모델에 포함하는 방법을 연습합니다.

다변량 로지스틱 회귀

다변량 로지스틱 회귀 적합하기

다중공선성의 영향

VIF 계산하기

모델 비교하기

모형 적합도 확인

두 모형 비교하기

이탈도와 선형 변환

연속형 변수의 모형 행렬

변수 변환

범주형 변수 코딩하기

범주형 변수와 상호작용 항

범주형 변수로 모델링하기

상호작용 항

축하합니다!

Well switch due to arsenic poisoning

Nesting of the female horseshoe crab

Level of salary and years of work experience

Bike crossings in New York City

Credit default

Medical costs per person given age and BMI

반응 변수가 이진형이거나, 개수형이거나, 혹은 대략 정규 분포를 따를 때까지를 하나의 틀로 다룰 수 있다면 어떨까요? 상상만 할 필요는 없습니다. 바로 Python으로 배우는 Generalized Linear Models 코스로 시작해 보세요! 이 코스에서는 회귀 도구 상자를 확장해 로지스틱과 Poisson 모델을 학습하고, 적합하는 방법, 결과를 해석하는 방법, 모델 성능을 평가하는 방법, 그리고 최종적으로 새 데이터에 예측을 적용하는 방법을 익히게 됩니다. 세계 역사상 최대 규모의 인구 중독 사례, 말굽게의 산란, 뉴욕시 다리의 자전거 횡단 수 등 실제 연구 데이터를 사용해 실습해 볼 거예요.

Introduction to Linear Modeling in Python

로지스틱 및 포아송 모델을 추가하여 훈련, 이해, 검증 및 예측을 배우세요.

Python으로 배우는 Generalized Linear Models

로지스틱·포아송 회귀로 도구를 확장하고, 학습·해석·검증 방법과 예측까지 단계별로 익히세요.

Python에서 GLM을 어떻게 적합하나요?

Create Your Free Account