Régression logistique dans RStudio

Description

Voulez-vous être un expert pour résoudre les problèmes métier à l'aide du modèle de régression logistique? La résolution de problèmes d'affaires complexes à l'aide de différentes techniques de classification vous fera un atout précieux dans n'importe quelle organisation. Ce cours vous aidera à vous familiariser avec les trois principales techniques de classification (régression logistique, analyse discriminante linéaire et k voisins les plus proches) utilisées pour prédire un type qualitatif de réponse catégorique, qui offrent des prédictions assez précises. Vous découvrirez qu'il existe deux types de questions métier que vous devez demander pour construire le modèle de régression logistique. Ce cours vous aidera également à prédire si un résultat particulier sera réalisé dans un délai précis. Imaginez ne pas avoir à vous soucier de l'effet des variables individuelles sur la sortie. Vous allez apprendre à prédire la valeur d'une variable de réponse. Dans ce processus, vous apprendrez à estimer avec précision l'effet de chaque variable prédictive sur la variable de réponse.

Vous allez être introduit dans l'apprentissage automatique qui fait référence à la programmation d'un ordinateur pour maximiser ou minimiser un critère de performance particulier basé sur des données antérieures. Ensuite, vous découvrirez que la régression linéaire ne peut pas être utilisée pour la classification si la variable de réponse contient plus de deux niveaux, c'est pourquoi la technique de régression logistique est plus appropriée. Cette technique utilise la fonction sigmoid pour limiter la plage de sortie. Cela permet de s'assurer que la sortie de cette fonction particulière peut capturer la plage de probabilités par rapport au modèle de régression linéaire. Découvrez que les raisons de l'estimation de la relation entre les variables dépendantes et indépendantes sont la prédiction et l'inférence. La raison de la prédiction est centrée sur la valeur de Y et non sur sa relation avec d'autres variables. La raison de l'inférence tente d'établir comment la variable de sortie est différente d'une modification dans chaque variable de prédicteur.

Ensuite, vous apprendrez que les variables catégorielles ne peuvent pas assumer une valeur numérique mais peuvent être classées en deux ou plusieurs catégories non numériques. En revanche, les variables continues peuvent prendre n'importe quelle valeur numérique sur un intervalle ou des intervalles spécifiques. Le cours discutera des bases des statistiques et de RStudio. Découvrez la classification des outils statistiques en catégories descriptives et inférentielles. Les statistiques descriptives consistent en des méthodes d'organisation, d'affichage et de description des données au moyen de tableaux, de graphiques et de mesures sommaires. Les statistiques inférentielles consistent en des méthodes qui utilisent les résultats de l'échantillon pour aider à prendre des décisions ou des prédictions sur une population. Enfin, vous allez apprendre à créer des diagrammes à barres et des histogrammes en R, à tracer un arbre de décision, à l'imputation des valeurs manquantes, à des résultats de modèles de régression logistique simples et à interpréter les résultats des modèles de classification. Ce cours intéressera les scientifiques, les cadres ou les étudiants intéressés à l'apprentissage de la régression logistique. Pourquoi attendre? Commencez ce cours aujourd'hui et devenez un expert en régression logistique.