or
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
ทบทวนโมเดลเชิงเส้น และเรียนรู้ว่า GLM เป็นการขยายต่อยอดจากโมเดลเชิงเส้นอย่างไรเมื่อตัวแปรตอบสนองมีรูปแบบต่างกัน พร้อมทำความเข้าใจส่วนประกอบหลักของ GLM และกระบวนการทางเทคนิคในการฟิต GLM ด้วย Python
บทนี้เน้นที่ Logistic Regression โดยจะได้เรียนรู้โครงสร้างของข้อมูลไบนารี ฟังก์ชัน Logit Link การฟิตโมเดล การแปลความหมายของสัมประสิทธิ์ การอนุมานจากโมเดล และวิธีประเมินประสิทธิภาพของโมเดล
บทนี้ครอบคลุม Poisson Regression ซึ่งรวมถึงการอภิปรายเรื่องข้อมูลนับ การแจกแจง Poisson และการแปลความหมายของผลการฟิตโมเดล นอกจากนี้ยังได้เรียนรู้วิธีรับมือกับปัญหา Overdispersion และฝึกปฏิบัติกับกระบวนการแสดงภาพโมเดลด้วย
ในบทสุดท้ายนี้ จะได้เรียนรู้วิธีเพิ่มความซับซ้อนให้โมเดลโดยใช้ตัวแปรอธิบายมากกว่าหนึ่งตัว พร้อมฝึกรับมือกับปัญหา Multicollinearity และการจัดการตัวแปรเชิงหมวดหมู่และ Interaction Term ในโมเดล
แบบฝึกหัดปัจจุบัน