Review linear models and learn how GLMs are an extension of the linear model given different types of response variables. You will also learn the building blocks of GLMs and the technical process of fitting a GLM in Python.

Going beyond linear regression

Applying linear models

Linear model, a special case of GLM

How to build a GLM?

Data type and distribution family

Linear model and a binary response variable

Comparing predicted values

How to fit a GLM in Python?

Model fitting step-by-step

Results of the model fit using summary()

Extracting parameter estimates

Introduction to GLMs

This chapter focuses on logistic regression. You'll learn about the structure of binary data, the logit link function, model fitting, as well as how to interpret model coefficients, model inference, and how to assess model performance.

Binary data and logistic regression

Compute odds and probabilities

Fit logistic regression

Interpreting coefficients

Coefficients in terms of odds

Model formula

Interpreting logistic model

Rate of change in probability

Interpreting model inference

Statistical significance

Computing Wald statistic

Confidence intervals

Computing and describing predictions

Visualize model fit using regplot()

Compute predictions

Compute confusion matrix

Modeling Binary Data

Here you'll learn about Poisson regression, including the discussion on count data, Poisson distribution and the interpretation of the model fit. You'll also learn how to overcome problems with overdispersion. Finally, you'll get hands-on experience with the process of model visualization.

Telfrequenties en de Poisson-verdeling

Visualiseer de respons

Een Poisson-regressie fitten

Modelpassing interpreteren

Schat parameter lambda

Interpreteer Poisson-coëfficiënten

Poisson-betrouwbaarheidsintervallen

Het probleem van overdispersie

Is het gemiddelde gelijk aan de variantie?

Verwacht aantal tellingen berekenen

Controleren op overdispersie

Negatieve binomiaal fitten

Betrouwbaarheidsintervallen voor het negatieve-binomiale model

Een regressiemodel plotten

Data en lineaire modelfit plotten

Voorspelde waarden plotten

Modeling Count Data

In this final chapter you'll learn how to increase the complexity of your model by adding more than one explanatory variable. You'll practice with the problem of multicollinearity, and with treating categorical and interaction terms in your model.

Multivariable logistic regression

Fit a multivariable logistic regression

The effect of multicollinearity

Compute VIF

Comparing models

Checking model fit

Compare two models

Deviance and linear transformation

Model matrix for continuous variables

Variable transformation

Coding categorical variables

Categorical and interaction terms

Modeling with categorical variable

Interaction terms

Congratulations!

Multivariable Logistic Regression

Well switch due to arsenic poisoning

Nesting of the female horseshoe crab

Credit default

Level of salary and years of work experience

Medical costs per person given age and BMI

Bike crossings in New York City

Stel je voor dat je kunt werken met data waarbij de responsvariabele binair, een telling of ongeveer normaal verdeeld is — allemaal binnen één kader. Dat hoef je je niet meer voor te stellen. Maak kennis met de cursus Generalized Linear Models in Python! In deze cursus breid je je regressietoolbox uit met logistische en Poisson-modellen. Je leert hoe je een model fit, begrijpt, de modelprestatie beoordeelt en het model uiteindelijk gebruikt om voorspellingen te doen op nieuwe data. Je oefent met data uit echte studies, zoals de grootste massavergiftiging uit de wereldgeschiedenis, het nestelen van de Atlantische haastkrab en het tellen van fietsers op de bruggen in New York City.

Introduction to Linear Modeling in Python

Breid je regressietoolbox uit met logistische en Poisson-modellen en leer ze trainen en voorspellen.

Generalized Linear Models in Python

Breid je regressietoolbox uit met de logistieke en Poisson-modellen en leer hoe je ze kunt trainen, begrijpen en valideren, en hoe je voorspellingen kunt doen.

Het probleem van overdispersie

Create Your Free Account