Rozszerz swoje umiejętności w zakresie regresji liniowej o regresję „równoległych nachyleń" – z jedną numeryczną i jedną kategoryczną zmienną objaśniającą. To pierwszy krok na drodze do opanowania wielorakiej regresji liniowej.

Regresja liniowa z równoległymi prostymi

Dopasowywanie regresji liniowej z równoległymi nachyleniami

Interpretacja współczynników modelu równoległych nachyleń

Wizualizacja każdej zmiennej objaśniającej

Wizualizacja równoległych prostych

Przewidywanie równoległych nachyleń

Przewidywanie za pomocą modelu z równoległymi prostymi

Ręczne obliczanie prognoz

Ocena jakości modelu

Porównywanie współczynników determinacji

Porównywanie błędu standardowego reszt

Równoległe nachylenia

Zbadaj wpływ interakcji między zmiennymi objaśniającymi. Uwzględnienie interakcji pozwala tworzyć bardziej realistyczne modele o lepszej sile predykcyjnej. Zmierzysz się również z paradoksem Simpsona – nieoczywistym zjawiskiem, które pojawia się przy pracy z wieloma zmiennymi objaśniającymi.

Modele dla każdej kategorii

Jeden model na kategorię

Predykcja z wielu modeli

Wizualizacja wielu modeli

Ocena wydajności modelu

Jeden model z interakcją

Definiowanie interakcji

Interakcje z czytelnymi współczynnikami

Tworzenie prognoz z uwzględnieniem interakcji

Przewidywanie z interakcjami

Ręczne obliczanie prognoz z interakcjami

Paradoks Simpsona

Modelowanie aukcji na eBay

Modelowanie każdego typu aukcji

Interakcje

Przekonaj się, jak modelowanie – a w szczególności regresja liniowa – ułatwia pracę z więcej niż dwiema zmiennymi objaśniającymi. Po opanowaniu dopasowywania modeli regresji liniowej zaimplementujesz własny algorytm regresji liniowej.

Dwie numeryczne zmienne objaśniające

Wizualizacje 3D

Modelowanie z dwiema numerycznymi zmiennymi objaśniającymi

Uwzględnianie interakcji

Więcej niż 2 zmienne objaśniające

Wizualizacja wielu zmiennych

Różne poziomy interakcji

Ponowne przewidywanie

Jak działa regresja liniowa

Suma kwadratów

Algorytm regresji liniowej

Wieloraka regresja liniowa

Rozszerz swoje umiejętności w zakresie regresji logistycznej o wiele zmiennych objaśniających. Poznasz rozkład logistyczny, który stanowi podstawę tego rodzaju regresji. Na koniec zaimplementujesz własny algorytm regresji logistycznej.

Wieloraka regresja logistyczna

Wizualizacja wielu zmiennych objaśniających

Regresja logistyczna z 2 zmiennymi objaśniającymi

Przewidywanie w regresji logistycznej

Macierz pomyłek

Rozkład logistyczny

Dystrybuanta rozkładu logistycznego

Odwrotna dystrybuanta

Argument family dla rozkładu dwumianowego

Parametry rozkładu logistycznego

Jak działa regresja logistyczna

Wiarygodność i log-wiarygodność

Algorytm regresji logistycznej

Gratulacje

Bank churn

eBay Palm Pilot auctions

Taiwan real estate prices

Regresja liniowa i regresja logistyczna to dwa najszerzej stosowane modele statystyczne – stanowią klucz do odkrywania wzorców ukrytych w danych. Ten kurs rozszerza umiejętności zdobyte w kursie „Wprowadzenie do regresji w R" i obejmuje regresję liniową oraz logistyczną z wieloma zmiennymi objaśniającymi. Podczas praktycznych ćwiczeń zbadasz zależności między zmiennymi na przykładzie rzeczywistych zbiorów danych – cen nieruchomości na Tajwanie, modelowania rezygnacji klientów i nie tylko. Po ukończeniu kursu będziesz wiedzieć, jak uwzględniać wiele zmiennych objaśniających w modelu, jak interakcje między zmiennymi wpływają na prognozy oraz jak działają regresja liniowa i logistyczna.

Introduction to Regression in R

Dowiedz się, jak uwzględniać zmienne w modelu, wpływ interakcji i regresję liniową w R.

Regresja średnio zaawansowana w R

Naucz się wykonywać regresję liniową i logistyczną z wieloma zmiennymi objaśniającymi.

Więcej niż 2 zmienne objaśniające

Create Your Free Account