Hangisi tepki değişkeni?

Regresyon, açıklayıcı değişkenlerin bilinen değerlerinden bir tepki değişkeninin değerlerini tahmin etmene olanak tanır. Hangi değişkeni tepki değişkeni olarak kullanacağın, yanıtlamak istediğin soruya bağlıdır; ancak birçok veri kümesinde tahmin etmesi ilginç olacak değişkenler için bariz bir seçim vardır. Önümüzdeki birkaç egzersizde, 4 değişken içeren bir Tayvan emlak veri kümesini keşfedeceksin.

Variable	Meaning
`dist_to_mrt_station_m`	En yakın MRT metro istasyonuna uzaklık (metre cinsinden).
`n_convenience`	Yürüme mesafesindeki bakkal/market sayısı.
`house_age_years`	Evin yaşı (yıl olarak), 3 grupta.
`price_twd_msq`	Birim alan başına ev fiyatı (yeni Tayvan doları/metrekare).

Veri kümesini görmek için konsola View(taiwan_real_estate) yaz ve hangi değişkenin iyi bir tepki değişkeni olacağına karar ver.

Bu egzersiz

R'da Regresyona Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

İnteraktif egzersizlerimizden biriyle teoriyi pratiğe dökün

Egzersizi başlat

Bu egzersiz

R'da Regresyona Giriş

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

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: İki değişkenin öyküsü Exercise 2: Hangisi tepki değişkeni?

Geçerli Egzersiz

Exercise 3: İki değişkeni görselleştirme Exercise 4: Doğrusal regresyonu uydurma Exercise 5: Kesişimi tahmin et Exercise 6: Eğimi tahmin et Exercise 7: lm() ile doğrusal regresyon Exercise 8: Kategorik açıklayıcı değişkenler Exercise 9: Sayısal vs. kategorik görselleştirme Exercise 10: Kategorilere göre ortalama hesaplama Exercise 11: Kategorik bir açıklayıcı değişkenle lm()

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: Quantifying model fit Exercise 2: Coefficient of determination Exercise 3: Residual standard error Exercise 4: Visualizing model fit Exercise 5: Residuals vs. fitted values Exercise 6: Q-Q plot of residuals Exercise 7: Scale-location Exercise 8: Drawing diagnostic plots Exercise 9: Outliers, leverage, and influence Exercise 10: Leverage Exercise 11: Influence Exercise 12: Extracting leverage and influence

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