레버리지와 영향력 추출하기

직전 연습 문제들에서는 어떤 관측치의 레버리지와 영향력이 가장 큰지 살펴봤습니다. 이제는 모델에서 그 값을 직접 추출해 보겠습니다.

mdl_price_vs_dist와 taiwan_real_estate가 제공되어 있습니다.

이 연습은 강의의 일부입니다

Python에서 statsmodels로 살펴보는 회귀 소개

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Create summary_info
summary_info = ____.____.____

코드 편집 및 실행

이 연습은 강의의 일부입니다

Python에서 statsmodels로 살펴보는 회귀 소개

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

이 장에서는 널리 쓰이는 통계 모델의 기본, 회귀가 무엇인지, 그리고 선형 회귀와 로지스틱 회귀의 차이를 배웁니다. 이어서 수치형과 범주형 설명 변수를 사용해 단순 선형 회귀 모델을 적합하는 방법과, 모델 계수를 활용해 반응 변수와 설명 변수 간의 관계를 해석하는 방법을 학습해요.

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

이 장에서는 선형 회귀 모델을 사용해 대만 주택 가격과 Facebook 광고 클릭을 예측하는 법을 알아봅니다. 또한 모델 객체를 직접 다뤄 보면서 회귀 역량을 확장하고, "회귀 평균화" 개념을 이해하며, 데이터셋의 변수를 변환하는 방법도 배워요.

Exercise 1: 예측 만들기 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: 집값을 수동으로 예측하기 Exercise 8: 회귀 평균(Regression to the mean)Exercise 9: 홈런!Exercise 10: 연속된 포트폴리오 수익률 그리기 Exercise 11: 연속 수익률 모델링 Exercise 12: 변수 변환하기 Exercise 13: 설명 변수 변환하기 Exercise 14: 반응 변수도 변환하기 Exercise 15: 역변환(Back transformation)

이 장에서는 모델의 적합도를 평가하기 위해 어떤 질문을 던져야 하는지 살펴봅니다. 선형 회귀 모델이 얼마나 잘 맞는지 정량화하고, 시각화를 통해 모델 문제를 진단하며, 각 관측치가 모델에 미치는 지렛대(leverage)와 영향력(influence)을 이해하는 방법을 학습해요.

Exercise 1: 모형 적합도 정량화하기 Exercise 2: 결정계수 Exercise 3: 잔차 표준 오차 Exercise 4: 모형 적합도 시각화하기 Exercise 5: 잔차 vs. 예측값 Exercise 6: 잔차의 Q-Q 플롯 Exercise 7: 스케일-로케이션 Exercise 8: 진단 플롯 그리기 Exercise 9: 이상치, 지렛값, 영향력 Exercise 10: 레버리지(Leverage)Exercise 11: 영향력(Influence)Exercise 12: 레버리지와 영향력 추출하기

현재 연습

로지스틱 회귀 모델을 적합하는 방법을 배웁니다. 실제 데이터를 사용해 고객이 은행 계좌를 해지할 가능성을 성공 확률과 오즈로 예측하고, 혼동 행렬을 사용해 모델 성능을 정량화해요.

Exercise 1: 왜 로지스틱 회귀가 필요한가요 Exercise 2: 설명 변수 살펴보기 Exercise 3: 선형 모델과 로지스틱 모델 시각화 Exercise 4: logit()으로 로지스틱 회귀 Exercise 5: 예측과 승산 Exercise 6: 확률 Exercise 7: 가장 가능성이 높은 결과 Exercise 8: 오즈(odds)Exercise 9: 로그 오즈 Exercise 10: 로지스틱 회귀 적합도 정량화하기 Exercise 11: 혼동 행렬 계산하기 Exercise 12: 혼동 행렬의 모자이크 플롯 그리기 Exercise 13: Accuracy, sensitivity, specificity Exercise 14: 로지스틱 모델 성능 측정 Exercise 15: 축하합니다