Vuoi essere un esperto nel risolvere problemi di business utilizzando il modello di regressione logistica? Risolvere problemi di business complessi utilizzando diverse tecniche di classificazione ti renderà un bene prezioso in qualsiasi organizzazione. Questo corso ti aiuterà a guadagnare intuire le tre principali tecniche di classificazione (regressione logistica, analisi lineare discriminante e vicini di k più vicini) utilizzati per prevedere un tipo di risposta categoriale qualitativa, che offrono previsioni abbastanza accurate. Scoprirete che ci sono due tipi di domande di business necessarie per chiedere di costruire il modello di regressione logistica. Questo corso ti aiuterà anche a prevedere se un determinato esito verrà realizzato all'interno di un arco temporale specifico. Immaginate di non aver bisogno di preoccuparsi dell'effetto delle singole variabili sull'output. Imparerai come prevedere il valore di una variabile di risposta. In questo processo, imparerai a stimare accuratamente l'effetto di ogni variabile predittivo sulla variabile di risposta.

Ti verrà introdotto l'apprendimento automatico che si riferisce alla programmazione di un computer per massimizzare o minimizzare un determinato criterio di prestazioni basato sui dati passati. Poi, scoprirete che la regressione lineare non può essere utilizzata per la classificazione se la variabile di risposta contiene più di due livelli, motivo per cui la tecnica di regressione logistica è più appropriata. Questa tecnica utilizza la funzione sigmoid per limitare la gamma di output. Questo garantisce che l'output di quella particolare funzione possa catturare la gamma di probabilità rispetto al modello di regressione lineare. Scopri che le ragioni per stimare il rapporto tra variabili dipendenti e indipendenti sono la previsione e l'inferenza. Il motivo di previsione è focalizzato sul valore di Y e non sul suo rapporto con altre variabili. Il motivo dell'inferenza cerca di stabilire come la variabile di uscita differisca con una variazione di ogni variabile predittivo.

Prossimo, si imparerà che le variabili categoriali non possono assumere un valore numerico ma possono essere classificate in due o più categorie non numeriche. Al contrario, le variabili continue possono assumere qualsiasi valore numerico su un intervallo o intervalli specifici. Il corso discuterà le basi di statistiche e RStudio. Acquisire insight nella classificazione degli strumenti statistici in categorie descrittive e inferenziali. Le statistiche descrittive sono costituite da metodi per organizzare, visualizzare e descrivere i dati attraverso tabelle, grafici e misure di riepilogo. Le statistiche inferenziali sono costituite da metodi che utilizzano risultati di esempio per aiutare a prendere decisioni o previsioni su una popolazione. Infine, si imparerà a creare grafici a barre e istogrammi in R, tracciando un albero decisionale, l'imputazione del valore mancante, i risultati di semplici modelli di regressione logistica e interpretando i risultati dei modelli di classificazione. Questo corso sarà di interesse per gli scienziati di dati, i dirigenti o gli studenti interessati ad apprendere la regressione logistica. Perché aspettare? Inizia questo corso oggi e diventa un esperto di regressione logistica.