Logistisk regression med glm()

Linjär regression och logistisk regression är specialfall av en bredare modellklass som kallas generaliserade linjära modeller ("GLM"). En linjär regression utgår från att residualerna följer en gaussisk (normalfördelad) distribution. En logistisk regression antar däremot att residualerna följer en binomialfördelning.

Här ska du modellera hur längden på kundrelationen påverkar churn.

churn finns tillgängligt.

Den här övningen är en del av kursen

Introduktion till regression i R

Övningsinstruktioner

Anpassa en logistisk regression av has_churned mot time_since_first_purchase med datamängden churn. Tilldela resultatet till mdl_churn_vs_relationship.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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

Redigera och kör kod

Den här övningen är en del av kursen

Introduktion till regression i R

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Du lär dig grunderna i den här populära statistiska modellen: vad regression är och hur linjär och logistisk regression skiljer sig åt. Sedan lär du dig att anpassa enkla linjära regressionsmodeller med numeriska och kategoriska förklaringsvariabler, samt hur du beskriver sambandet mellan responsvariabeln och förklaringsvariablerna med hjälp av modellkoefficienterna.

Exercise 1: Två variablers historia Exercise 2: Vilken är responsvariabeln?Exercise 3: Visualisera två variabler Exercise 4: Anpassa en linjär regression Exercise 5: Uppskatta skärningspunkten Exercise 6: Uppskatta lutningen Exercise 7: Linjär regression med lm()Exercise 8: Kategoriska förklaringsvariabler Exercise 9: Visualisera numeriska och kategoriska variabler Exercise 10: Beräkna medelvärden per kategori Exercise 11: lm() med en kategorisk förklaringsvariabel

I det här kapitlet lär du dig att använda linjära regressionsmodeller för att göra förutsägelser om huspriser i Taiwan och klick på Facebook-annonser. Du fördjupar också dina regressionskunskaper genom praktiskt arbete med modellobjekt, lär dig förstå begreppet "regression mot medelvärdet" och hur du transformerar variabler i en datamängd.

Exercise 1: Att göra förutsägelser Exercise 2: Förutsäga huspriser Exercise 3: Visualisera förutsägelser Exercise 4: Prediktorns begränsningar Exercise 5: Arbeta med modellobjekt Exercise 6: Extrahera modellelement Exercise 7: Beräkna huspriser manuellt Exercise 8: Använda broom Exercise 9: Regression mot medelvärdet Exercise 10: Homerun!Exercise 11: Visualisera på varandra följande portföljavkastningar Exercise 12: Modellering av efterföljande avkastningar Exercise 13: Transforming variabler Exercise 14: Transformera den förklarande variabeln Exercise 15: Att transformera responsvariabeln också

I det här kapitlet lär du dig att ställa frågor till din modell för att utvärdera dess passning. Du lär dig att kvantifiera hur väl en linjär regressionsmodell passar, att diagnostisera modellproblem med hjälp av visualiseringar samt att förstå hävstångseffekten och inflytandet hos varje observation som används för att skapa modellen.

Exercise 1: Kvantifiera modellens passning Exercise 2: Determinationskoefficienten Exercise 3: Residualt standardfel Exercise 4: Visualera modellens anpassning Exercise 5: Residualer vs. anpassade värden Exercise 6: Q-Q-diagram över residualer Exercise 7: Skala-läge Exercise 8: Rita diagnostikdiagram Exercise 9: Extremvärden, hävstång och påverkan Exercise 10: Hävstång Exercise 11: Inflytande Exercise 12: Extrahera hävstång och inflytande

Lär dig att anpassa logistiska regressionsmodeller. Med verkliga data förutsäger du sannolikheten för att en kund stänger sitt bankkonto – uttryckt som sannolikheter och oddskvoter – och utvärderar modellens prestanda med hjälp av konfusionsmatriser.

Exercise 1: Varför du behöver logistisk regression Exercise 2: Utforska de förklarande variablerna Exercise 3: Visualisera linjära och logistiska modeller Exercise 4: Logistisk regression med glm()

Aktuell övning

Exercise 5: Förutsägelser och oddskvot Exercise 6: Sannolikheter Exercise 7: Det mest sannolika utfallet Exercise 8: Oddskvot Exercise 9: Log-oddskvot Exercise 10: Att kvantifiera anpassningen av logistisk regression Exercise 11: Beräkna förväxlingsmatrisen Exercise 12: Mät den logistiska modellens prestanda Exercise 13: Accuracy, sensitivity, specificity Exercise 14: Grattis