glm()으로 로지스틱 회귀

선형 회귀와 로지스틱 회귀는 더 넓은 범주의 모델인 일반화 선형 모델 ("GLM")의 특수한 형태입니다. 선형 회귀는 잔차가 가우스(정규) 분포를 따른다고 가정합니다. 반면, 로지스틱 회귀는 잔차가 이항 분포를 따른다고 가정합니다.

여기서는 고객과의 관계 기간이 이탈(churn)에 어떤 영향을 미치는지 모델링해 보겠습니다.

churn이 제공되어 있습니다.

이 연습은 강의의 일부입니다

R로 시작하는 회귀 분석

연습 안내

churn 데이터셋을 사용해 has_churned를 time_since_first_purchase에 대해 로지스틱 회귀로 적합하세요. 결과를 mdl_churn_vs_relationship에 할당하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Fit a logistic regression of churn vs. length of relationship using the churn dataset
mdl_churn_vs_relationship <- ___





# See the result
mdl_churn_vs_relationship

코드 편집 및 실행

이 연습은 강의의 일부입니다

R로 시작하는 회귀 분석

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

이 인기 있는 통계 모델의 기초, 회귀의 개념, 그리고 선형 회귀와 로지스틱 회귀의 차이를 배웁니다. 이어서 수치형과 범주형 설명 변수를 사용해 단순 선형 회귀 모델을 적합하고, 모델 계수를 활용해 반응 변수와 설명 변수 간의 관계를 해석하는 방법을 익힙니다.

Exercise 1: 두 변수의 이야기 Exercise 2: 어느 변수가 반응 변수인가요?Exercise 3: 두 변수를 시각화하기 Exercise 4: 선형 회귀 적합하기 Exercise 5: 절편 추정하기 Exercise 6: 기울기 추정하기 Exercise 7: lm()로 선형 회귀 Exercise 8: 범주형 설명 변수 Exercise 9: 수치형 vs. 범주형 시각화 Exercise 10: 범주별 평균 계산하기 Exercise 11: 범주형 설명 변수를 사용하는 lm()

이 장에서는 선형 회귀 모델로 대만 주택 가격과 Facebook 광고 클릭을 예측하는 방법을 알아봅니다. 또한 모델 객체를 직접 다루며 회귀 역량을 확장하고, "평균으로의 회귀" 개념을 이해하며, 데이터셋의 변수를 변환하는 방법을 배웁니다.

Exercise 1: 예측하기 Exercise 2: 주택 가격 예측하기 Exercise 3: 예측 시각화하기 Exercise 4: 예측의 한계 Exercise 5: 모델 객체 다루기 Exercise 6: 모델 요소 추출하기 Exercise 7: 집값 수동 예측하기 Exercise 8: broom 사용하기 Exercise 9: 평균으로의 회귀 Exercise 10: 홈런!Exercise 11: 연속된 포트폴리오 수익률 그리기 Exercise 12: 연속 수익률 모델링 Exercise 13: 변수 변환하기 Exercise 14: 설명 변수 변환하기 Exercise 15: 반응 변수도 변환하기

이 장에서는 모델에 질문을 던져 적합도를 평가하는 법을 배웁니다. 선형 회귀 모델이 데이터를 얼마나 잘 설명하는지 정량화하고, 시각화를 통해 모델의 문제를 진단하며, 모델을 만드는 데 사용된 각 관측치의 레버리지와 영향력을 이해합니다.

Exercise 1: 모형 적합도 정량화하기 Exercise 2: 결정 계수 Exercise 3: 잔차 표준 오차 Exercise 4: 모형 적합도 시각화 Exercise 5: 잔차 대 적합값 Exercise 6: 잔차의 Q-Q 플롯 Exercise 7: Scale-location Exercise 8: 진단 그래프 그리기 Exercise 9: 이상치, 레버리지, 영향력 Exercise 10: 레버리지 Exercise 11: 영향력 Exercise 12: 레버리지와 영향력 추출하기

로지스틱 회귀 모델을 적합하는 방법을 배웁니다. 실제 데이터를 사용해 고객의 은행 계좌 해지 가능성을 성공 확률과 odds ratio로 예측하고, 혼동 행렬로 모델 성능을 정량화합니다.

Exercise 1: 왜 로지스틱 회귀가 필요한가요 Exercise 2: 설명 변수 살펴보기 Exercise 3: 선형 모형과 로지스틱 모형 시각화 Exercise 4: glm()으로 로지스틱 회귀

현재 연습

Exercise 5: 예측과 오즈비 Exercise 6: 확률 Exercise 7: 가장 가능성 높은 결과 Exercise 8: 오즈비 Exercise 9: 로그 오즈비 Exercise 10: 로지스틱 회귀 적합도 정량화 Exercise 11: 혼동 행렬 계산하기 Exercise 12: 로지스틱 모델 성능 측정하기 Exercise 13: Accuracy, sensitivity, specificity Exercise 14: 축하합니다