EDA зависимости оценок преподавания и «привлекательности»

Исследователи из Техасского университета в Остине составили «оценку привлекательности», попросив группу из 6 студентов оценить внешность всех 463 преподавателей. Их интересовало возможное влияние «привлекательности» на оценки преподавания. Проведём разведочный анализ данных (EDA) этой переменной и её связи с score.

С этого момента считайте, что ggplot2, dplyr и moderndive уже доступны в вашем рабочем пространстве, если не указано иное.

Это упражнение является частью курса

Моделирование данных в Tidyverse

Посмотреть курс

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Plot the histogram
___(evals, ___) +
  ___ +
  labs(x = "Beauty score", y = "count")

Редактировать и запускать код

Это упражнение является частью курса

Моделирование данных в Tidyverse

SkillTag.level.intermediateSkillTag.label

4.9+

Начать курс бесплатно

В этой главе вы познакомитесь с основными теоретическими понятиями и терминологией моделирования: общей концепцией построения моделей, различием между моделями для объяснения и для прогнозирования, а также с постановкой задачи моделирования. Кроме того, вы выполните свой первый разведочный анализ данных — важнейший шаг, предшествующий любому формальному моделированию.

Exercise 1: Основы моделирования для объяснения Exercise 2: Исследовательская визуализация переменной age Exercise 3: Числовые сводки по возрасту Exercise 4: Основы моделирования для прогнозирования Exercise 5: Разведочная визуализация площади домов Exercise 6: Логарифмическое преобразование площади дома Exercise 7: Задача моделирования для объяснения Exercise 8: EDA зависимости оценок преподавания и «привлекательности»

Текущее упражнение

Exercise 9: Корреляция между оценками преподавания и «привлекательности»Exercise 10: Задача моделирования для прогнозирования Exercise 11: Разведочный анализ данных: зависимость цены дома от наличия выхода к воде Exercise 12: Прогнозирование цены дома с видом на воду

Освоив общую концепцию моделирования, в этой главе вы перейдёте к простой линейной регрессии. Здесь всё устроено просто: переменная-отклик y выражается как функция единственной объясняющей переменной или предиктора x. Вы будете работать как с числовыми, так и с категориальными переменными x. В качестве переменной-отклика в этой главе используются оценки преподавателей Техасского университета в Остине, выставленные студентами.

Exercise 1: Объяснение оценки преподавания через возраст Exercise 2: Построение «наилучшей» регрессионной прямой Exercise 3: Подгонка регрессии с числовой переменной x Exercise 4: Прогнозирование оценки преподавания по возрасту Exercise 5: Прогнозирование оценок с помощью «индекса привлекательности»Exercise 6: Вычисление подогнанных/предсказанных значений и остатков Exercise 7: Зависимость оценки преподавателя от пола Exercise 8: Разведочный анализ зависимости оценки от должности Exercise 9: Подгонка регрессии с категориальной переменной x Exercise 10: Прогнозирование оценки преподавания по признаку пола Exercise 11: Прогнозирование на основе должности Exercise 12: Визуализация распределения остатков

В предыдущей главе вы изучили простую регрессию с одним числовым или категориальным предиктором. Но зачем ограничиваться одной переменной? Теперь вы перейдёте от простой регрессии к множественной, которая позволяет включать в модель сразу несколько объясняющих переменных или предикторов. В качестве практической задачи вы будете моделировать цены на жильё на основе набора данных о домах в столичном районе Сиэтла, штат Вашингтон.

Exercise 1: Объясняем цену дома через год постройки и площадь Exercise 2: Разведочный анализ данных: исследование взаимосвязей Exercise 3: Подбор регрессии Exercise 4: Прогнозирование цены дома по году и площади Exercise 5: Прогнозирование цены по площади и количеству спален Exercise 6: Интерпретация остатков Exercise 7: Объяснение цены дома через площадь и состояние Exercise 8: Модель параллельных наклонов Exercise 9: Интерпретация модели параллельных наклонов Exercise 10: Прогнозирование цены дома по площади и состоянию Exercise 11: Прогнозирование цен с учётом размера и вида на набережную Exercise 12: Автоматизация прогнозов для «новых» домов

В предыдущих главах вы строили различные модели для объяснения или прогнозирования интересующей переменной-отклика. Но как выбрать наилучшую модель? Метрики оценки моделей помогают определить, насколько хорошо объясняющая модель «описывает» данные или насколько точны прогнозы предиктивной модели. Опираясь на эти метрики, вы узнаете, по каким критериям выбирают «лучшую» модель.

Exercise 1: Выбор и оценка модели Exercise 2: Повторение: сумма квадратов остатков Exercise 3: Какую модель выбрать?Exercise 4: Оценка качества подгонки модели с помощью R² Exercise 5: Вычисление коэффициента детерминации R-squared модели Exercise 6: Сравнение R² двух моделей Exercise 7: Оценка прогнозов с помощью RMSE Exercise 8: Вычисление MSE и RMSE модели Exercise 9: Сравнение RMSE двух моделей Exercise 10: Фреймворк прогнозирования на валидационной выборке Exercise 11: Обучение модели на тренировочных данных Exercise 12: Прогнозирование на тестовых данных Exercise 13: Заключение — что дальше?