Рычаг (leverage)

Рычаг (leverage) измеряет, насколько необычными или экстремальными являются значения объясняющих переменных для каждого наблюдения. Если говорить упрощённо, высокий рычаг означает, что объясняющая переменная принимает значения, заметно отличающиеся от остальных точек в наборе данных. В случае простой линейной регрессии с одной объясняющей переменной это, как правило, очень высокие или очень низкие значения этой переменной.

Здесь вы рассмотрите наблюдения с высоким рычагом в модели цены на жильё в зависимости от квадратного корня расстояния до ближайшей станции MRT в наборе данных о недвижимости Тайваня.

Предположите, какие наблюдения, по вашему мнению, будут иметь высокий рычаг, а затем переместите ползунок, чтобы проверить свою догадку.

Какое утверждение верно?

Это упражнение является частью курса

Введение в регрессию с statsmodels на Python

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Введение в регрессию с statsmodels на Python

SkillTag.level.intermediateSkillTag.label

4.8+

Начать курс бесплатно

Вы познакомитесь с основами этой популярной статистической модели: узнаете, что такое регрессия и чем линейная регрессия отличается от логистической. Затем научитесь строить простые линейные регрессионные модели с числовыми и категориальными объясняющими переменными, а также интерпретировать взаимосвязь между зависимой и объясняющими переменными с помощью коэффициентов модели.

Exercise 1: История двух переменных Exercise 2: Какая переменная является зависимой?Exercise 3: Визуализация двух числовых переменных Exercise 4: Построение линейной регрессии Exercise 5: Оцените точку пересечения с осью y Exercise 6: Оцените наклон прямой Exercise 7: Линейная регрессия с помощью ols()Exercise 8: Категориальные объясняющие переменные Exercise 9: Визуализация: числовые и категориальные переменные Exercise 10: Вычисление средних значений по категориям Exercise 11: Линейная регрессия с категориальной объясняющей переменной

В этой главе вы научитесь применять линейные регрессионные модели для прогнозирования цен на жильё на Тайване и числа кликов по рекламе в Facebook. Вы углубите свои знания в области регрессии, освоите работу с объектами модели, разберётесь с концепцией «регрессии к среднему» и узнаете, как преобразовывать переменные в наборе данных.

Exercise 1: Составление прогнозов Exercise 2: Прогнозирование цен на жильё Exercise 3: Визуализация предсказаний Exercise 4: Границы предсказательной силы модели Exercise 5: Работа с объектами модели Exercise 6: Извлечение элементов модели Exercise 7: Ручное предсказание цен на жильё Exercise 8: Регрессия к среднему Exercise 9: Хоум-ран!Exercise 10: Построение графика последовательных доходностей портфеля Exercise 11: Моделирование последовательной доходности Exercise 12: Преобразование переменных Exercise 13: Преобразование объясняющей переменной Exercise 14: Преобразование переменной отклика Exercise 15: Обратное преобразование

В этой главе вы научитесь оценивать качество модели. Вы узнаете, как количественно измерить соответствие линейной регрессионной модели данным, диагностировать проблемы с помощью визуализаций, а также определять меру влияния и рычага каждого наблюдения при построении модели.

Exercise 1: Оценка качества модели Exercise 2: Коэффициент детерминации Exercise 3: Остаточное стандартное отклонение Exercise 4: Визуализация качества модели Exercise 5: Остатки и подогнанные значения Exercise 6: Q-Q график остатков Exercise 7: График масштаб-расположение Exercise 8: Построение диагностических графиков Exercise 9: Выбросы, рычаг и влияние Exercise 10: Рычаг (leverage)

Текущее упражнение

Exercise 11: Влияние Exercise 12: Извлечение рычага влияния и влиятельности

Вы научитесь строить логистические регрессионные модели. Работая с реальными данными, вы будете предсказывать вероятность закрытия клиентом банковского счёта — в виде вероятностей и отношений шансов — и оценивать качество модели с помощью матриц ошибок.

Exercise 1: Зачем нужна логистическая регрессия Exercise 2: Изучение объясняющих переменных Exercise 3: Визуализация линейной и логистической моделей Exercise 4: Логистическая регрессия с помощью logit()Exercise 5: Прогнозы и шансы Exercise 6: Вероятности Exercise 7: Наиболее вероятный исход Exercise 8: Шансы Exercise 9: Логарифм шансов Exercise 10: Оценка качества подгонки логистической регрессии Exercise 11: Вычисление матрицы ошибок Exercise 12: Построение мозаичного графика матрицы ошибок Exercise 13: Точность, чувствительность, специфичность Exercise 14: Оценка качества логистической модели Exercise 15: Поздравляем!