Leverage

Leverage วัดว่าตัวแปรอธิบายของแต่ละการสังเกตมีค่าผิดปกติหรือสุดขีดเพียงใด โดยทั่วไป leverage สูงหมายความว่าตัวแปรอธิบายมีค่าที่แตกต่างจากจุดอื่นในชุดข้อมูล ในกรณีของ simple linear regression ที่มีตัวแปรอธิบายเพียงตัวเดียว มักหมายถึงค่าที่สูงหรือต่ำผิดปกติ

ในที่นี้ จะพิจารณาค่าที่มี leverage สูงในโมเดลราคาบ้านเทียบกับรากที่สองของระยะทางไปยังสถานี MRT ที่ใกล้ที่สุด จากชุดข้อมูลอสังหาริมทรัพย์ไต้หวัน

ลองเดาก่อนว่าการสังเกตใดจะมี leverage สูง แล้วเลื่อน slider เพื่อดูคำตอบ

ข้อใดถูกต้อง?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การถดถอยเบื้องต้นด้วย statsmodels ใน Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การถดถอยเบื้องต้นด้วย statsmodels ใน Python

SkillTag.level.intermediateSkillTag.label

4.8+

เริ่มคอร์สฟรี

จะได้เรียนรู้พื้นฐานของโมเดลทางสถิติยอดนิยมนี้ ทำความเข้าใจว่าการถดถอยคืออะไร และการถดถอยเชิงเส้นกับการถดถอยโลจิสติกแตกต่างกันอย่างไร จากนั้นจะได้ฝึก Fit โมเดลการถดถอยเชิงเส้นแบบง่ายด้วยตัวแปรอธิบายทั้งแบบตัวเลขและแบบหมวดหมู่ รวมถึงการอธิบายความสัมพันธ์ระหว่างตัวแปรตอบสนองและตัวแปรอธิบายผ่านค่าสัมประสิทธิ์ของโมเดล

Exercise 1: เรื่องราวของตัวแปรสองตัว Exercise 2: ตัวแปรใดคือตัวแปรตอบสนอง?Exercise 3: การแสดงภาพตัวแปรเชิงตัวเลขสองตัว Exercise 4: การ Fit โมเดล Linear Regression Exercise 5: ประมาณค่าจุดตัดแกน (Intercept)Exercise 6: ประมาณค่าความชัน Exercise 7: การถดถอยเชิงเส้นด้วย ols()Exercise 8: ตัวแปรอธิบายแบบกลุ่ม Exercise 9: การแสดงภาพข้อมูลตัวเลขเทียบกับข้อมูลหมวดหมู่Exercise 10: การคำนวณค่าเฉลี่ยตามหมวดหมู่Exercise 11: การถดถอยเชิงเส้นด้วยตัวแปรอธิบายแบบกลุ่ม (Categorical)

ในบทนี้ จะได้เรียนรู้วิธีใช้โมเดลการถดถอยเชิงเส้นเพื่อทำนายราคาบ้านในไต้หวันและจำนวนคลิกโฆษณาบน Facebook นอกจากนี้ยังได้พัฒนาทักษะการถดถอยเพิ่มเติมผ่านการทำงานกับออบเจกต์ของโมเดล ทำความเข้าใจแนวคิด "Regression to the Mean" และการแปลงตัวแปรในชุดข้อมูล

Exercise 1: การสร้างการพยากรณ์Exercise 2: การพยากรณ์ราคาบ้าน Exercise 3: การแสดงผลการพยากรณ์Exercise 4: ขีดจำกัดของการทำนาย Exercise 5: การทำงานกับออบเจกต์โมเดล Exercise 6: การดึงองค์ประกอบจากโมเดล Exercise 7: คำนวณราคาบ้านด้วยตนเอง Exercise 8: การถดถอยสู่ค่าเฉลี่ย Exercise 9: โฮมรัน!Exercise 10: การพล็อตผลตอบแทนพอร์ตโฟลิโอในช่วงต่อเนื่องกัน Exercise 11: การสร้างโมเดลผลตอบแทนต่อเนื่อง Exercise 12: การแปลงตัวแปร Exercise 13: การแปลงตัวแปรอธิบาย Exercise 14: การแปลงตัวแปรตอบสนองด้วย Exercise 15: การแปลงค่ากลับ

ในบทนี้ จะได้เรียนรู้วิธีตั้งคำถามกับโมเดลเพื่อประเมินความเหมาะสม รวมถึงการวัดเชิงปริมาณว่าโมเดลการถดถอยเชิงเส้น Fit ข้อมูลได้ดีเพียงใด การวินิจฉัยปัญหาของโมเดลด้วยการแสดงผลด้วยกราฟ และการทำความเข้าใจค่า Leverage และ Influence ของแต่ละการสังเกตการณ์ที่มีผลต่อการสร้างโมเดล

Exercise 1: การวัดความเหมาะสมของโมเดล Exercise 2: ค่าสัมประสิทธิ์การตัดสินใจ Exercise 3: ค่าความคลาดเคลื่อนมาตรฐานของส่วนเหลือ (RSE)Exercise 4: การแสดงภาพความเหมาะสมของโมเดล Exercise 5: ค่าคงเหลือเทียบกับค่าที่พยากรณ์Exercise 6: Q-Q plot ของค่าคงเหลือ Exercise 7: Scale-location Exercise 8: การสร้าง Diagnostic Plots Exercise 9: ค่าผิดปกติ การยืดหยุ่น และอิทธิพล Exercise 10: Leverage

แบบฝึกหัดปัจจุบัน

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

เรียนรู้การ Fit โมเดลการถดถอยโลจิสติก โดยใช้ข้อมูลจากสถานการณ์จริง จะได้ทำนายโอกาสที่ลูกค้าจะปิดบัญชีธนาคารในรูปแบบของความน่าจะเป็นและอัตราต่อรอง รวมถึงการวัดประสิทธิภาพของโมเดลด้วย Confusion Matrix

Exercise 1: เหตุใดจึงต้องใช้ Logistic Regression Exercise 2: สำรวจตัวแปรอธิบาย Exercise 3: การแสดงภาพโมเดล Linear และ Logistic Exercise 4: Logistic Regression ด้วย logit()Exercise 5: การพยากรณ์และอัตราต่อรอง Exercise 6: ความน่าจะเป็น Exercise 7: ผลลัพธ์ที่เป็นไปได้มากที่สุด Exercise 8: Odds Exercise 9: Log odds Exercise 10: การวัดประสิทธิภาพของ Logistic Regression Exercise 11: การคำนวณ Confusion Matrix Exercise 12: การวาด mosaic plot จาก confusion matrix Exercise 13: Accuracy, Sensitivity, Specificity Exercise 14: การวัดประสิทธิภาพของโมเดล Logistic Regression Exercise 15: ยินดีด้วย!