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.

A tale of two variables

Which one is the response variable?

Visualizing two variables

Fitting a linear regression

Estimate the intercept

Estimate the slope

Linear regression with lm()

Categorical explanatory variables

Visualizing numeric vs. categorical

Calculating means by category

lm() with a categorical explanatory variable

Simple Linear Regression

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.

Making predictions

Predicting house prices

Visualizing predictions

The limits of prediction

Working with model objects

Extracting model elements

Manually predicting house prices

Using broom

Regression to the mean

Home run!

Plotting consecutive portfolio returns

Modeling consecutive returns

Transforming variables

Transforming the explanatory variable

Transforming the response variable too

Predictions and model objects

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.

Quantifying model fit

Coefficient of determination

Residual standard error

Visualizing model fit

Residuals vs. fitted values

Q-Q plot of residuals

Scale-location

Drawing diagnostic plots

Outliers, leverage, and influence

Leverage

Influence

Extracting leverage and influence

Assessing model fit

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.

Neden lojistik regresyona ihtiyaç duyarsın

Açıklayıcı değişkenleri keşfetme

Doğrusal ve lojistik modelleri görselleştirme

glm() ile lojistik regresyon

Tahminler ve oran oranları

Olasılıklar

En olası sonuç

Olasılık oranı

Log olasılık oranı

Lojistik regresyon uyumunu nicelendirme

Karmaşıklık matrisini hesaplama

Lojistik model performansını ölçme

Logistic performance metrics

Accuracy

Sensitivity

Specificity

Accuracy, sensitivity, specificity

Tebrikler

Simple logistic regression

Taiwan Real Estate

Ad conversion data

Churn data

S&P 500 Yearly Returns

Lineer regresyon ve lojistik regresyon, en yaygın kullanılan iki istatistiksel modeldir ve veri kümelerinde saklı sırları açığa çıkaran anahtarlar gibidir. Bu kursta, basit lineer ve lojistik regresyonları kurmak için gereken becerileri edineceksin. Uygulamalı egzersizlerle, motor sigortası talepleri, Tayvan konut fiyatları, balık boyutları ve daha fazlasını içeren gerçek dünya veri kümelerinde değişkenler arasındaki ilişkileri keşfedeceksin. Kursun sonunda, verilerinden tahminler yapmayı, model performansını nicelleştirmeyi ve model uyumundaki sorunları teşhis etmeyi bileceksin.

Introduction to Data Visualization with ggplot2

Introduction to Statistics in R

R kullanarak doğrusal ve lojistik regresyonları uygulayarak konut fiyatlarını ve tıklama oranını tahmin edin.

R'da Regresyona Giriş

R'de regresyon analizini uygulayarak, analiz ederek ve yorumlayarak konut fiyatlarını ve reklam tıklama oranını tahmin edin. 

Neden lojistik regresyona ihtiyaç duyarsın

Create Your Free Account