or
이 연습은 강의의 일부입니다
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.
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.
현재 연습
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.
마지막 장에서는 하나 이상의 설명 변수를 추가해 모델의 복잡도를 높이는 방법을 배웁니다. 다중공선성 문제를 다뤄 보고, 범주형 변수와 상호작용 항을 모델에 포함하는 방법을 연습합니다.