Q-Q-plot van residuen

Hier zijn normale Q-Q-plots van de twee vorige modellen.

Origineel model (n_clicks versus n_impressions)

Getransformeerd model (n_clicks ^ 0.25 versus n_impressions ^ 0.25)

Kijk hoe goed de punten de "normaliteits"-lijn volgen. Welke uitspraak is waar?

Deze oefening maakt deel uit van de cursus

Introductie tot regressie in R

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Deze oefening maakt deel uit van de cursus

Introductie tot regressie in R

SkillTag.level.intermediateSkillTag.label

4.8+

Begin gratis met de cursus

Je leert de basis van dit populaire statistische model: wat regressie is en hoe lineaire en logistische regressie van elkaar verschillen. Daarna leer je hoe je eenvoudige lineaire regressiemodellen fit met numerieke en categorische verklarende variabelen, en hoe je de relatie tussen de respons- en verklarende variabelen beschrijft met modelcoëfficiënten.

Exercise 1: Een verhaal van twee variabelen Exercise 2: Welke is de responsvariabele?Exercise 3: Twee variabelen visualiseren Exercise 4: Een lineaire regressie fitten Exercise 5: Schat de intercept Exercise 6: Schat de helling Exercise 7: Lineaire regressie met lm()Exercise 8: Categorische verklarende variabelen Exercise 9: Numeriek vs. categorisch visualiseren Exercise 10: Gemiddelden per categorie berekenen Exercise 11: lm() met een categorische verklarende variabele

In dit hoofdstuk ontdek je hoe je lineaire regressiemodellen gebruikt om voorspellingen te doen voor Taiwanese huizenprijzen en Facebook-advertentieklikken. Je breidt je regressievaardigheden uit door praktisch aan de slag te gaan met modelobjecten, het concept "regressie naar het gemiddelde" te begrijpen en te leren hoe je variabelen in een gegevensset transformeert.

Exercise 1: Voorspellingen maken Exercise 2: Huisprijzen voorspellen Exercise 3: Voorspellingen visualiseren Exercise 4: De grenzen van voorspellen Exercise 5: Werken met modelobjecten Exercise 6: Modelonderdelen uitlezen Exercise 7: Handmatig huizenprijzen voorspellen Exercise 8: broom gebruiken Exercise 9: Regressie naar het gemiddelde Exercise 10: Homerun!Exercise 11: Opeenvolgende portefeuillerendementen plotten Exercise 12: Opeenvolgende rendementen modelleren Exercise 13: Variabelen transformeren Exercise 14: De verklarende variabele transformeren Exercise 15: Ook de responsvariabele transformeren

In dit hoofdstuk leer je hoe je vragen stelt aan je model om de fit te beoordelen. Je leert hoe je kwantificeert hoe goed een lineair regressiemodel past, hoe je modelproblemen diagnosticeert met visualisaties, en hoe je de leverage en invloed van elke observatie die voor het model is gebruikt begrijpt.

Exercise 1: Modelpassing kwantificeren Exercise 2: Determinatiecoëfficiënt Exercise 3: Residuele standaardfout Exercise 4: Model fit visualiseren Exercise 5: Residuals vs. geschatte waarden Exercise 6: Q-Q-plot van residuen

Huidige oefening

Exercise 7: Scale-location Exercise 8: Diagnostische plots tekenen Exercise 9: Uitschieters, leverage en invloed Exercise 10: Leverage Exercise 11: Invloed Exercise 12: Hefboomwerking en invloed extraheren

Leer logistische regressiemodellen fitten. Met echte data voorspel je de kans dat een klant zijn bankrekening sluit als kansen op succes en odds ratio’s, en kwantificeer je de modelprestatie met verwarringsmatrices.

Exercise 1: Waarom je logistische regressie nodig hebt Exercise 2: De verklarende variabelen verkennen Exercise 3: Lineaire en logistische modellen visualiseren Exercise 4: Logistische regressie met glm()Exercise 5: Voorspellingen en odds ratio’s Exercise 6: Kansen Exercise 7: Meest waarschijnlijke uitkomst Exercise 8: Odds ratio Exercise 9: Log-oddsratio Exercise 10: De kwaliteit van een logistisch regressiemodel kwantificeren Exercise 11: De confusion matrix berekenen Exercise 12: De prestaties van een logistiek model meten Exercise 13: Accuracy, sensitivity, specificity Exercise 14: Gefeliciteerd