Introdução à regressão com statsmodels em Python
"Preveja preços de imóveis e taxa de cliques com análise de regressão usando statsmodels em Python."
Comece O Curso Gratuitamente4 horas14 vídeos53 exercícios39.866 aprendizesDeclaração de Realização
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?
Tentar DataCamp for BusinessAmado por alunos de milhares de empresas
Descrição do Curso
Use o Python statsmodels para regressão linear e logística
A regressão linear e a regressão logística são dois dos modelos estatísticos mais usados. Eles funcionam como chaves mestras, revelando os segredos ocultos em seus dados. Neste curso, você adquirirá as habilidades necessárias para ajustar regressões lineares e logísticas simples.Por meio de exercícios práticos, você explorará as relações entre variáveis em conjuntos de dados do mundo real, incluindo reclamações de seguros de automóveis, preços de casas em Taiwan, tamanhos de peixes e muito mais.
Descubra como fazer previsões e avaliar o ajuste do modelo
Você começará este curso de 4 horas aprendendo o que é regressão e como a regressão linear e a regressão logística diferem, aprendendo a aplicar ambas. Em seguida, você aprenderá a usar modelos de regressão linear para fazer previsões sobre os dados e, ao mesmo tempo, entender os objetos do modelo.À medida que avançar, você aprenderá a avaliar o ajuste do modelo e a saber se o modelo de regressão linear está bem ajustado. Por fim, você se aprofundará nos modelos de regressão logística para fazer previsões em dados reais.
Aprenda os fundamentos da análise de regressão em Python
Ao final deste curso, você saberá como fazer previsões a partir dos seus dados, quantificar o desempenho do modelo e diagnosticar problemas com o ajuste do modelo. Você entenderá como usar os modelos estatísticos do Python para análise de regressão e poderá aplicar as habilidades a conjuntos de dados reais.Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Fundamentos de estatística em Python
Ir para a trilha- 1
Modelagem de regressão linear simples
GratuitoVocê aprenderá os conceitos básicos desse modelo estatístico popular, o que é regressão e como as regressões linear e logística diferem. Em seguida, você aprenderá a ajustar modelos de regressão linear simples com variáveis explicativas numéricas e categóricas e a descrever a relação entre a resposta e as variáveis explicativas usando os coeficientes do modelo.
Uma história de duas variáveis50 xpQual delas é a variável de resposta?50 xpVisualização de duas variáveis numéricas100 xpAjuste de uma regressão linear50 xpEstimar o intercepto50 xpEstimar a inclinação50 xpRegressão linear com ols()100 xpVariáveis explicativas categóricas50 xpVisualização de dados numéricos versus dados categóricos100 xpCálculo de médias por categoria100 xpRegressão linear com uma variável explicativa categórica100 xp - 2
Previsões e objetos-modelo
Neste capítulo, você descobrirá como usar modelos de regressão linear para fazer previsões sobre os preços de imóveis em Taiwan e cliques em anúncios do Facebook. Você também desenvolverá suas habilidades de regressão à medida que colocar a mão na massa com objetos de modelo, entender o conceito de "regressão à média" e aprender a transformar variáveis em um conjunto de dados.
Fazendo previsões50 xpPrevisão de preços de imóveis100 xpVisualização de previsões100 xpOs limites da previsão100 xpTrabalhando com objetos de modelo50 xpExtração de elementos do modelo100 xpPrevisão manual de preços de imóveis100 xpRegressão à média50 xpVocê está no ponto!50 xpPlotagem de retornos consecutivos do portfólio100 xpModelagem de retornos consecutivos100 xpTransformando variáveis50 xpTransformando a variável explicativa100 xpTransformando a variável de resposta também100 xpTransformação posterior100 xp - 3
Avaliação da adequação do modelo
Neste capítulo, você aprenderá a fazer perguntas ao seu modelo para avaliar o ajuste. Você aprenderá a quantificar a adequação de um modelo de regressão linear, a diagnosticar problemas de modelo usando visualizações e a entender a alavancagem e a influência de cada observação para criar o modelo.
Quantificação do ajuste do modelo50 xpCoeficiente de determinação100 xpErro padrão residual100 xpVisualização do ajuste do modelo50 xpResíduos vs. valores ajustados50 xpGráfico Q-Q de resíduos50 xpLocalização em escala50 xpDesenho de gráficos de diagnóstico100 xpExcedentes, alavancagem e influência50 xpAlavancagem50 xpInfluência50 xpExtração de alavancagem e influência100 xp - 4
Modelagem de regressão logística simples
Aprenda a ajustar modelos de regressão logística. Usando dados do mundo real, você preverá a probabilidade de um cliente fechar sua conta bancária como probabilidades de sucesso e índices de probabilidade e quantificará o desempenho do modelo usando matrizes de confusão.
Por que você precisa da regressão logística50 xpExplorando as variáveis explicativas100 xpVisualização de modelos lineares e logísticos100 xpRegressão logística com logit()100 xpPrevisões e taxas de probabilidade50 xpProbabilidades100 xpResultado mais provável100 xpRazão de chances100 xpRazão de probabilidade de log100 xpQuantificação do ajuste da regressão logística50 xpCálculo da matriz de confusão100 xpDesenho de um gráfico de mosaico da matriz de confusão100 xpPrecisão, sensibilidade, especificidade100 xpMedição do desempenho do modelo logístico100 xpParabéns a você50 xp
Treinar 2 ou mais pessoas?
Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.Nas seguintes faixas
Fundamentos de estatística em Python
Ir para a trilhaconjuntos de dados
Customer churn dataTaiwan real estate dataAd conversion dataS&P 500 dataFish measurement datacolaboradores
Maarten Van den Broeck
Ver MaisSenior Content Developer at DataCamp
O que os outros alunos têm a dizer?
Junte-se a mais de 15 milhões de alunos e comece Introdução à regressão com statsmodels em Python hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.