평행 기울기 모형 해석하기

방금 적합한 평행 기울기 모형의 회귀 표 값을 해석해 봅시다. 콘솔에서 get_regression_table(model_price_4)을(를) 실행해 회귀 표를 다시 확인하세요. 이 모형의 시각화는 아래와 같습니다. 다음 중 해석으로서 올바르지 않은 것은 무엇인가요?

이 연습은 강의의 일부입니다

Tidyverse로 하는 데이터 모델링

실습형 인터랙티브 연습문제

이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요

이 연습은 강의의 일부입니다

Tidyverse로 하는 데이터 모델링

SkillTag.level.intermediateSkillTag.label

4.9+

무료로 강의 시작하기

이 장에서는 모델링의 배경 이론과 용어, 특히 일반적인 모델링 프레임워크, 설명을 위한 모델링과 예측을 위한 모델링의 차이, 그리고 모델링 문제에 대해 소개합니다. 더불어 어떤 공식적인 모델링을 시작하기 전에 반드시 거쳐야 할 첫 단계인 탐색적 데이터 분석도 처음으로 수행해 봅니다.

Exercise 1: 설명을 위한 모델링 배경 Exercise 2: 나이의 탐색적 시각화 Exercise 3: 나이의 수치 요약 Exercise 4: 예측을 위한 모델링 배경 Exercise 5: 주거 면적의 탐색적 시각화 Exercise 6: 주택 면적의 Log10 변환 Exercise 7: 설명을 위한 모델링 문제 Exercise 8: 강의 평가와 "beauty" 점수의 EDA Exercise 9: 강의 점수와 "beauty" 점수의 상관관계 Exercise 10: 예측을 위한 모델링 문제 Exercise 11: 주택 가격과 수변 위치의 관계 EDA Exercise 12: 워터프런트로 주택 가격 예측하기

일반적인 모델링 프레임워크를 이해한 상태에서, 이번 장에서는 기본 선형 회귀를 다룹니다. 결과 변수 y를 단일 설명/예측 변수 x의 함수로 단순하게 모델링해 볼 거예요. 수치형 x와 범주형 x를 모두 사용합니다. 이번 장에서 다룰 관심 결과 변수는 University of Texas, Austin의 강의자 강의 평가 점수입니다.

Exercise 1: 나이로 강의 평가 점수 설명하기 Exercise 2: "최적 적합" 회귀선 그리기 Exercise 3: 수치형 x로 회귀 적합하기 Exercise 4: 나이로 강의 평가 점수 예측하기 Exercise 5: "beauty score"로 예측하기 Exercise 6: 적합값/예측값과 잔차 계산하기 Exercise 7: 성별로 강의 평가 점수 설명하기 Exercise 8: score와 rank의 관계 EDA Exercise 9: 범주형 x로 회귀 적합하기 Exercise 10: 성별로 강의 평가 점수 예측하기 Exercise 11: rank를 사용한 예측 만들기 Exercise 12: 잔차 분포 시각화하기

이전 장에서는 단일 수치형 또는 범주형 예측 변수를 사용하는 기본 회귀를 배웠습니다. 하지만 설명/예측에 단 하나의 변수만 사용할 필요는 없겠죠? 이제 기본 회귀를 다중 회귀로 확장하여, 하나 이상의 설명 또는 예측 변수를 모델에 포함할 수 있게 합니다. Seattle, WA 대도시권의 주택 데이터셋을 사용해 집값을 모델링해 보겠습니다.

Exercise 1: 연도와 크기로 주택 가격 설명하기 Exercise 2: 관계에 대한 EDA Exercise 3: 회귀 적합하기 Exercise 4: 연도와 면적을 사용해 주택 가격 예측하기 Exercise 5: 면적과 침실 수로 예측하기 Exercise 6: 잔차 해석하기 Exercise 7: 면적과 상태로 주택 가격 설명하기 Exercise 8: 평행 기울기 모델 Exercise 9: 평행 기울기 모형 해석하기

현재 연습

Exercise 10: 면적과 상태를 사용해 주택 가격 예측하기 Exercise 11: 면적과 워터프런트를 사용한 예측 만들기 Exercise 12: "새로운" 주택에 대한 예측 자동화

앞선 장들에서 여러분은 관심 있는 결과 변수를 설명하거나 예측하기 위해 다양한 모델을 적합했습니다. 그렇다면 어떤 모델을 선택해야 할까요? 모델 평가 지표를 통해 설명 모델이 데이터에 얼마나 잘 “적합”하는지, 또는 예측 모델이 얼마나 정확한지 판단할 수 있습니다. 이러한 지표를 바탕으로 어떤 모델이 “가장 좋다”라고 할 수 있는지 결정하는 기준을 배우게 됩니다.

Exercise 1: 모형 선택과 평가 Exercise 2: 리마인드: 잔차 제곱합 Exercise 3: 어떤 모델을 선택할까요?Exercise 4: R-squared로 모형 적합도 평가하기 Exercise 5: 모형의 R-제곱 계산하기 Exercise 6: 두 모형의 R-제곱 비교 Exercise 7: RMSE로 예측 성능 평가하기 Exercise 8: 모델의 MSE와 RMSE 계산하기 Exercise 9: 두 모델의 RMSE 비교 Exercise 10: 검증 세트 예측 프레임워크 Exercise 11: 훈련 데이터에 모델 적합하기 Exercise 12: 테스트 데이터로 예측하기 Exercise 13: 마무리 - 다음 단계는 무엇일까요?