Bu bölüm, genelleştirilmiş doğrusal modellerin veri bilimi araç kutundaki diğer modellerin bir uzantısı olduğunu öğretiyor. Ayrıca GLM'leri tanıtmak için Poisson regresyonunu kullanıyor.

Doğrusal modellerin sınırlamaları

Doğrusal modellerin varsayımları

Doğrusal model kurmaya kısa bir hatırlatma

Poisson regresyonu

R'de Poisson regresyonu kurma

Lineer ve Poisson regresyonunu karşılaştırma

Kesişimler—karşılaştırmalar ve ortalamalar

glm() ile temel lm() fonksiyonları

glm üzerinde summary(), print() ve tidy() uygulama

glm() içinden katsayıları çıkarmak

glm() ile tahmin

Regresyon araç kutuna bir uzantı: GLM'ler

Bu bölüm, bir lojistik regresyonu çalıştırmayı ve model çıktılarının incelenmesini kapsar.

Lojistik regresyona genel bakış

Lojistik regresyonu uydurma

Lojistik regresyon çıktılarının incelenmesi ve yorumlanması

Bernoulli ve binom dağılımı

Bernoulli ve binom

İkili veriyi simüle etme

Uzun biçimli lojistik regresyon girişi

Geniş biçimli girdi ile lojistik regresyon

Lojistik regresyon çıktılarının karşılaştırılması

Bağlantı fonksiyonları - Probit ve logit karşılaştırması

Probit ve logit karşılaştırması

Probit ve logit modellerini kurma

Bir logit simüle etme

Bir probit simülasyonu

Lojistik Regresyon

Bu bölüm, GLM katsayılarını yorumlamayı ve ggplot2 kullanarak GLM'leri çizmeyi öğretir.

Poisson regresyon katsayıları

Poisson bağ fonksiyonu

lm ve Poisson katsayıları

Poisson regresyonunu görselleştirme

Lojistik regresyon çıktısını anlama

Oran oranlarını (odds ratio) anlama

Olasılık oranlarını (odds-ratio) çıkarma ve yorumlama

Tidyverse'te odds oranları ve güven aralıkları

ggplot2 ve binomiyal regresyon

Varsayılan trend çizgileri

Eğilim çizgileri için yöntemler

GLM'leri yorumlama ve görselleştirme

Bu bölümde, R'de GLM'lerle çoklu regresyon yapmayı öğreneceksin.

Çoklu lojistik regresyon

Çoklu lojistik regresyonu uydurma

İki model kurma

Regresyon çıktılarının karşılaştırılması

Değişken sıralamasını karşılaştırma

R'de formüller

Birden fazla eğim

Kesişimler

Birden çok kesişim

Çoklu lojistik regresyonun varsayımları

Simpson paradoksu

Doğrusal olmayan lojistik regresyon

Sonuç

GLM'lerle çoklu regresyon

Bus Commuter dataset

Doğrusal regresyon istatistiklerin bel kemiğidir, ancak bazı karmaşık veri türlerini kaldıramaz. Genelleştirilmiş doğrusal model (GLM), doğrusal regresyonu genişleterek binom ve sayım verileri gibi normal olmayan dağılımları da kapsar. Bu kurs boyunca, R'de GLM'leri araç setine ekleyerek veri bilimi becerilerini genişleteceksin. GLM'leri öğrenirken, binom verilerini lojistik regresyonla ve sayım verilerini Poisson regresyonla nasıl modele edeceğini göreceksin. Ayrıca bu sonuçları nasıl yorumlayacağını ve ggplot2 ile nasıl görselleştireceğini de öğreneceksin.

Intermediate Regression in R

Lojistik regresyonla binom veri, Poisson regresyonla sayım verisi modellemeyi ve ggplot2 ile sonuçları anlamayı öğrenin.

R'de Genelleştirilmiş Doğrusal Modeller

Genelleştirilmiş Doğrusal Model kursu, regresyon araçlarınıza lojistik ve Poisson regresyonunu ekler.

Instructor

Bağlantı fonksiyonları - Logit'e karşı probit

Neden bağlantı fonksiyonları?

Neden probit?

Probit nedir?

Probit denklemi

Probit fonksiyonu

Probit, logit ile nasıl karşılaştırılır?

R'da probit uydurma

Probit ile simüle et

Logit ile simüle et

Probit mi logit mi, ne zaman?

Hadi pratik yapalım!

Lojistik Regresyon - Bağlantı fonksiyonları - Probit ve logit karşılaştırması

Bağlantı fonksiyonları - Probit ve logit karşılaştırması

Create Your Free Account