Kaldıraç

Kaldıraç, her bir gözlem için açıklayıcı değişkenlerin ne kadar sıra dışı veya uçta olduğunu ölçer. Kabaca, yüksek kaldıraç, açıklayıcı değişkenin veri kümesindeki diğer noktalardan farklı değerlere sahip olduğu anlamına gelir. Yalın doğrusal regresyonda (yalnızca bir açıklayıcı değişken olduğunda) bu genelde açıklayıcı değişkenin çok yüksek veya çok düşük değerlere sahip olması demektir.

Burada, Taiwan emlak veri kümesinde konut fiyatı ile en yakın MRT istasyonuna olan mesafenin karekökü arasındaki modelde yüksek kaldıraçlı değerlere bakacaksın.

Hangi gözlemlerin yüksek kaldıraçlı olacağını tahmin et, sonra öğrenmek için kaydırıcıyı hareket ettir.

Hangisi doğrudur?

Bu egzersiz, kursun bir parçasıdır

R'da Regresyona Giriş

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

R'da Regresyona Giriş

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

You’ll learn the basics of this popular statistical model, what regression is, and how linear and logistic regressions differ. You’ll then learn how to fit simple linear regression models with numeric and categorical explanatory variables, and how to describe the relationship between the response and explanatory variables using model coefficients.

Exercise 1: A tale of two variables Exercise 2: Which one is the response variable?Exercise 3: Visualizing two variables Exercise 4: Fitting a linear regression Exercise 5: Estimate the intercept Exercise 6: Estimate the slope Exercise 7: Linear regression with lm()Exercise 8: Categorical explanatory variables Exercise 9: Visualizing numeric vs. categorical Exercise 10: Calculating means by category Exercise 11: lm() with a categorical explanatory variable

In this chapter, you’ll discover how to use linear regression models to make predictions on Taiwanese house prices and Facebook advert clicks. You’ll also grow your regression skills as you get hands-on with model objects, understand the concept of "regression to the mean", and learn how to transform variables in a dataset.

Exercise 1: Making predictions Exercise 2: Predicting house prices Exercise 3: Visualizing predictions Exercise 4: The limits of prediction Exercise 5: Working with model objects Exercise 6: Extracting model elements Exercise 7: Manually predicting house prices Exercise 8: Using broom Exercise 9: Regression to the mean Exercise 10: Home run!Exercise 11: Plotting consecutive portfolio returns Exercise 12: Modeling consecutive returns Exercise 13: Transforming variables Exercise 14: Transforming the explanatory variable Exercise 15: Transforming the response variable too

In this chapter, you’ll learn how to ask questions of your model to assess fit. You’ll learn how to quantify how well a linear regression model fits, diagnose model problems using visualizations, and understand the leverage and influence of each observation used to create the model.

Exercise 1: Model uyumunu nicelendirme Exercise 2: Belirleme katsayısı Exercise 3: Artık standart hatası Exercise 4: Model uyumunu görselleştirme Exercise 5: Artıklar vs. uyumlu değerler Exercise 6: Artıkların Q-Q grafiği Exercise 7: Ölçek-konumu Exercise 8: Tanı grafikleri çizmek Exercise 9: Aykırı değerler, kaldıraç ve etki Exercise 10: Kaldıraç

Geçerli egzersiz

Exercise 11: Etkileme Exercise 12: Kaldıraç ve etkiyi çıkarmak

Learn to fit logistic regression models. Using real-world data, you’ll predict the likelihood of a customer closing their bank account as probabilities of success and odds ratios, and quantify model performance using confusion matrices.

Exercise 1: Why you need logistic regression Exercise 2: Exploring the explanatory variables Exercise 3: Visualizing linear and logistic models Exercise 4: Logistic regression with glm()Exercise 5: Predictions and odds ratios Exercise 6: Probabilities Exercise 7: Most likely outcome Exercise 8: Odds ratio Exercise 9: Log odds ratio Exercise 10: Quantifying logistic regression fit Exercise 11: Calculating the confusion matrix Exercise 12: Measuring logistic model performance Exercise 13: Accuracy, sensitivity, specificity Exercise 14: Congratulations