Regressão logística com glm()

Regressão linear e regressão logística são casos especiais de um tipo mais amplo de modelos chamados modelos lineares generalizados ("GLMs"). Uma regressão linear assume que os resíduos seguem uma distribuição Gaussiana (normal). Já a regressão logística assume que os resíduos seguem uma distribuição binomial.

Aqui, você vai modelar como o tempo de relacionamento com o cliente afeta o churn.

churn está disponível.

Este exercício faz parte do curso

Introdução à Regressão em R

Instruções do exercício

Ajuste uma regressão logística de has_churned em função de time_since_first_purchase usando o conjunto de dados churn. Atribua a mdl_churn_vs_relationship.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Fit a logistic regression of churn vs. length of relationship using the churn dataset
mdl_churn_vs_relationship <- ___





# See the result
mdl_churn_vs_relationship

Editar e executar o código

Este exercício faz parte do curso

Introdução à Regressão em R

IntermediárioNível de habilidade

4.8+

Iniciar curso de graça

Você vai aprender o básico deste modelo estatístico popular, o que é regressão e como a regressão linear difere da regressão logística. Em seguida, vai aprender a ajustar modelos de regressão linear simples com variáveis explicativas numéricas e categóricas e a descrever a relação entre a variável resposta e as variáveis explicativas usando os coeficientes do modelo.

Exercise 1: Uma história de duas variáveis Exercise 2: Qual é a variável resposta?Exercise 3: Visualizando duas variáveis Exercise 4: Ajustando uma regressão linear Exercise 5: Estime a interceptação Exercise 6: Estime a inclinação Exercise 7: Regressão linear com lm()Exercise 8: Variáveis explicativas categóricas Exercise 9: Visualizando variável numérica vs. categórica Exercise 10: Calculando médias por categoria Exercise 11: lm() com uma variável explicativa categórica

Neste capítulo, você vai descobrir como usar modelos de regressão linear para fazer previsões sobre preços de casas em Taiwan e cliques em anúncios do Facebook. Você também vai aprimorar suas habilidades em regressão ao trabalhar diretamente com objetos de modelo, entender o conceito de "regressão à média" e aprender a transformar variáveis em um conjunto de dados.

Exercise 1: Fazendo previsões Exercise 2: Prevendo preços de casas Exercise 3: Visualizando previsões Exercise 4: Os limites da previsão Exercise 5: Trabalhando com objetos de modelo Exercise 6: Extraindo elementos do modelo Exercise 7: Prevendo preços de casas manualmente Exercise 8: Usando broom Exercise 9: Regressão à média Exercise 10: Home run!Exercise 11: Plotando retornos consecutivos de portfólio Exercise 12: Modelando retornos consecutivos Exercise 13: Transformando variáveis Exercise 14: Transformando a variável explicativa Exercise 15: Transformando também a variável resposta

Neste capítulo, você vai aprender a fazer perguntas ao seu modelo para avaliar o ajuste. Você vai aprender a quantificar quão bem um modelo de regressão linear se ajusta, diagnosticar problemas do modelo usando visualizações e entender a alavancagem e a influência de cada observação usada para criar o modelo.

Exercise 1: Quantificando o ajuste do modelo Exercise 2: Coeficiente de determinação Exercise 3: Erro padrão residual Exercise 4: Visualizando o ajuste do modelo Exercise 5: Resíduos vs. valores ajustados Exercise 6: Gráfico Q-Q dos resíduos Exercise 7: Scale-location Exercise 8: Traçando gráficos de diagnóstico Exercise 9: Outliers, alavancagem e influência Exercise 10: Leverage Exercise 11: Influência Exercise 12: Extraindo alavancagem e influência

Aprenda a ajustar modelos de regressão logística. Usando dados do mundo real, você vai prever a probabilidade de um cliente encerrar a conta bancária como probabilidades de sucesso e razões de chances (odds ratio) e quantificar o desempenho do modelo usando matrizes de confusão.

Exercise 1: Por que você precisa de regressão logística Exercise 2: Explorando as variáveis explicativas Exercise 3: Visualizando modelos lineares e logísticos Exercise 4: Regressão logística com glm()

Exercício atual

Exercise 5: Previsões e razões de chances Exercise 6: Probabilidades Exercise 7: Resultado mais provável Exercise 8: Razão de chances (odds ratio)Exercise 9: Razão de chances em log Exercise 10: Quantificando o ajuste da regressão logística Exercise 11: Calculando a matriz de confusão Exercise 12: Medindo o desempenho de um modelo logístico Exercise 13: Acurácia, sensibilidade, especificidade Exercise 14: Parabéns