Skala-position

Här visas skala-positionsdiagram för de två tidigare modellerna. De visar alltså residualernas storlek i förhållande till de anpassade värdena.

Originalmodellen (n_clicks mot n_impressions):

Transformerad modell (n_clicks ** 0.25 mot n_impressions ** 0.25):

Titta på siffrorna på y-axeln och lutningen på trendlinjen. Vilket påstående stämmer?

Den här övningen är en del av kursen

Introduktion till regression med statsmodels i Python

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Introduktion till regression med statsmodels i Python

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

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

Exercise 1: Göra förutsägelser Exercise 2: Förutsäga huspriser Exercise 3: Visualisera förutsägelser Exercise 4: Prediktionens gränser Exercise 5: Arbeta med modellobjekt Exercise 6: Extrahera modellelement Exercise 7: Förutsäg huspriser manuellt Exercise 8: Regression mot medelvärdet Exercise 9: Homerun!Exercise 10: Visualisera konsekutiva portföljavkastningar Exercise 11: Modellera på varandra följande avkastningar Exercise 12: Transformera variabler Exercise 13: Transformera den förklarande variabeln Exercise 14: Att transformera responsvariabeln också Exercise 15: Backtransformation

I det här kapitlet lär du dig att ställa frågor till din modell för att utvärdera hur väl den anpassar sig till data. Du lär dig att kvantifiera hur bra en linjär regressionsmodell passar, diagnostisera modellproblem med hjälp av visualiseringar, och förstå varje observations hävstångseffekt och inflytande på modellen.

Exercise 1: Kvantifiera modellens anpassning Exercise 2: Determinationskoefficienten Exercise 3: Residualstandardfel Exercise 4: Visualisera modellens anpassning Exercise 5: Residualer mot anpassade värden Exercise 6: Q-Q-diagram över residualer Exercise 7: Skala-position

Aktuell övning

Exercise 8: Rita diagnostikdiagram Exercise 9: Avvikande värden, hävstång och påverkan Exercise 10: Hävstång (leverage)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 avslutar sitt bankkonto – uttryckt som sannolikheter och odds – och kvantifierar modellens prestanda med hjälp av konfusionsmatriser.

Exercise 1: Varför du behöver logistisk regression Exercise 2: Utforska de förklarande variablerna Exercise 3: Visualisering av linjära och logistiska modeller Exercise 4: Logistisk regression med logit()Exercise 5: Prediktioner och odds Exercise 6: Sannolikheter Exercise 7: Mest sannolikt utfall Exercise 8: Odds Exercise 9: Log-odds Exercise 10: Kvantifiera passningen hos logistisk regression Exercise 11: Beräkna förväxlingsmatrisen Exercise 12: Rita ett mosaikdiagram över konfusionsmatrisen Exercise 13: Noggrannhet, känslighet, specificitet Exercise 14: Mäta den logistiska modellens prestanda Exercise 15: Grattis