Leverage

Leverage วัดความผิดปกติหรือความสุดขั้วของตัวแปรอธิบายในแต่ละการสังเกต โดยคร่าว ๆ แล้ว ค่า leverage สูงหมายความว่าตัวแปรอธิบายมีค่าที่แตกต่างจากจุดอื่น ๆ ในชุดข้อมูล ในกรณีของ simple linear regression ที่มีตัวแปรอธิบายเพียงตัวเดียว มักหมายถึงค่าที่สูงหรือต่ำผิดปกติ

ในแบบฝึกหัดนี้ เราจะดูค่า leverage สูงในโมเดลที่ทำนายราคาบ้านจากรากที่สองของระยะทางไปยังสถานี MRT ที่ใกล้ที่สุดในชุดข้อมูลอสังหาริมทรัพย์ไต้หวัน

ลองเดาก่อนว่าการสังเกตใดจะมีค่า leverage สูง แล้วเลื่อน slider เพื่อตรวจสอบคำตอบ

ข้อใดถูกต้อง?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การถดถอยใน R เบื้องต้น

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การถดถอยใน R เบื้องต้น

SkillTag.level.intermediateSkillTag.label

4.8+

เริ่มคอร์สฟรี

เรียนรู้พื้นฐานของโมเดลทางสถิติยอดนิยมนี้ ทำความเข้าใจว่าการถดถอยคืออะไร และ Linear Regression กับ Logistic Regression แตกต่างกันอย่างไร จากนั้นจะได้เรียนรู้วิธีสร้างโมเดล Simple Linear Regression ด้วยตัวแปรอธิบายแบบตัวเลขและแบบหมวดหมู่ รวมถึงการอธิบายความสัมพันธ์ระหว่างตัวแปรตอบสนองและตัวแปรอธิบายโดยใช้ค่าสัมประสิทธิ์ของโมเดล

Exercise 1: เรื่องราวของสองตัวแปร Exercise 2: ตัวแปรใดคือตัวแปรตอบสนอง?Exercise 3: การแสดงภาพตัวแปรสองตัว Exercise 4: การ Fit Linear Regression Exercise 5: ประมาณค่า intercept Exercise 6: ประมาณค่าความชัน Exercise 7: Linear regression ด้วย lm()Exercise 8: ตัวแปรอธิบายแบบกลุ่ม (Categorical)Exercise 9: การแสดงผลข้อมูลตัวเลขและข้อมูลหมวดหมู่Exercise 10: การคำนวณค่าเฉลี่ยตามหมวดหมู่Exercise 11: lm() กับตัวแปรอธิบายประเภทกลุ่ม

ในบทนี้ คุณจะได้เรียนรู้วิธีใช้โมเดล Linear Regression เพื่อทำนายราคาบ้านในไต้หวันและจำนวนการคลิกโฆษณาบน Facebook นอกจากนี้ยังได้ต่อยอดทักษะด้านการถดถอยผ่านการลงมือปฏิบัติกับออบเจกต์โมเดล ทำความเข้าใจแนวคิด "การถดถอยสู่ค่าเฉลี่ย" (regression to the mean) และเรียนรู้วิธีแปลงตัวแปรในชุดข้อมูล

Exercise 1: การสร้างคำทำนาย Exercise 2: การพยากรณ์ราคาบ้าน Exercise 3: การแสดงผลการพยากรณ์Exercise 4: ขีดจำกัดของการพยากรณ์Exercise 5: การทำงานกับออบเจกต์ของโมเดล Exercise 6: การดึงองค์ประกอบจากโมเดล Exercise 7: การทำนายราคาบ้านด้วยตัวเอง Exercise 8: การใช้ broom Exercise 9: การถดถอยสู่ค่าเฉลี่ย Exercise 10: โฮมรัน!Exercise 11: การพล็อตผลตอบแทนพอร์ตโฟลิโอในปีต่อเนื่องกัน Exercise 12: การสร้างโมเดลผลตอบแทนต่อเนื่อง Exercise 13: การแปลงตัวแปร Exercise 14: การแปลงตัวแปรอธิบาย Exercise 15: การแปลงตัวแปรตอบสนองด้วยเช่นกัน

ในบทนี้ คุณจะได้เรียนรู้วิธีประเมินความเหมาะสมของโมเดล ทั้งการวัดเชิงตัวเลขว่าโมเดล Linear Regression เหมาะกับข้อมูลดีแค่ไหน การวินิจฉัยปัญหาของโมเดลด้วยการแสดงภาพข้อมูล รวมถึงการทำความเข้าใจค่า Leverage และอิทธิพลของแต่ละการสังเกตที่ใช้สร้างโมเดล

Exercise 1: การวัดความพอดีของโมเดล Exercise 2: สัมประสิทธิ์การตัดสินใจ Exercise 3: ค่าความคลาดเคลื่อนมาตรฐานของส่วนเหลือ Exercise 4: การแสดงภาพความพอดีของโมเดล Exercise 5: ค่าคงเหลือเทียบกับค่าที่ได้จากการพยากรณ์Exercise 6: Q-Q plot ของค่าคงเหลือ Exercise 7: Scale-location Exercise 8: การสร้างกราฟวินิจฉัยโมเดล Exercise 9: ค่าผิดปกติ การมีอิทธิพล และค่าเลเวอเรจ Exercise 10: Leverage

แบบฝึกหัดปัจจุบัน

Exercise 11: อิทธิพล (Influence)Exercise 12: การดึงค่า Leverage และ Influence

เรียนรู้การสร้างโมเดล Logistic Regression โดยใช้ข้อมูลจริง คุณจะทำนายโอกาสที่ลูกค้าจะปิดบัญชีธนาคารในรูปแบบของความน่าจะเป็นและอัตราส่วน Odds รวมถึงการวัดประสิทธิภาพของโมเดลด้วย Confusion Matrix

Exercise 1: ทำไมถึงต้องใช้ Logistic Regression Exercise 2: สำรวจตัวแปรอธิบาย Exercise 3: การแสดงผลโมเดล Linear และ Logistic Exercise 4: Logistic regression ด้วย glm()Exercise 5: การพยากรณ์และอัตราส่วนออดส์Exercise 6: ความน่าจะเป็น Exercise 7: ผลลัพธ์ที่มีแนวโน้มมากที่สุด Exercise 8: อัตราต่อรอง (Odds Ratio)Exercise 9: Log odds ratio Exercise 10: การวัดประสิทธิภาพของโมเดล Logistic Regression Exercise 11: การคำนวณ Confusion Matrix Exercise 12: การวัดประสิทธิภาพของโมเดล Logistic Regression Exercise 13: Accuracy, Sensitivity, Specificity Exercise 14: ยินดีด้วย!