Introducción a la regresión con modelos estadísticos en Python
Comience El Curso Gratis4 Horas14 Videos53 Ejercicios
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿Entrenar a 2 o más personas?Pruebe DataCamp para empresas
Preferido por estudiantes en miles de empresas
Descripción del curso
La regresión lineal y la regresión logística son dos de los modelos estadísticos más utilizados. Actúan como llaves maestras que desvelan los secretos ocultos en sus datos. En este curso adquirirás los conocimientos necesarios para ajustar regresiones lineales y logísticas sencillas. Mediante ejercicios prácticos, explorará las relaciones entre variables en conjuntos de datos del mundo real, como reclamaciones de seguros de automóviles, precios de viviendas en Taiwán, tamaños de peces, etc. Al final de este curso, sabrá cómo hacer predicciones a partir de sus datos, cuantificar el rendimiento del modelo y diagnosticar problemas con el ajuste del modelo.
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Fundamentos de Estadística con Python
Ir a la pista- 1
Modelización de regresión lineal simple
GratuitoAprenderá los conceptos básicos de este popular modelo estadístico, qué es la regresión y en qué se diferencian las regresiones lineal y logística. A continuación, aprenderá a ajustar modelos de regresión lineal simples con variables explicativas numéricas y categóricas, y a describir la relación entre la respuesta y las variables explicativas utilizando los coeficientes del modelo.
Historia de dos variables50 xp¿Cuál es la variable de respuesta?50 xpVisualización de dos variables numéricas100 xpAjuste de una regresión lineal50 xpEstimar el intercepto50 xpEstimar la pendiente50 xpRegresión lineal con ols()100 xpVariables explicativas categóricas50 xpVisualización numérica frente a categórica100 xpCálculo de medias por categoría100 xpRegresión lineal con una variable explicativa categórica100 xp - 2
Predicciones y objetos modelo
En este capítulo, descubrirás cómo utilizar modelos de regresión lineal para hacer predicciones sobre el precio de la vivienda en Taiwán y los clics en anuncios de Facebook. También aumentará sus conocimientos sobre regresión a medida que se familiarice con los objetos del modelo, comprenda el concepto de "regresión a la media" y aprenda a transformar variables en un conjunto de datos.
Predicciones50 xpPredecir el precio de la vivienda100 xpVisualización de predicciones100 xpLos límites de la predicción100 xpTrabajar con objetos modelo50 xpExtracción de elementos del modelo100 xpPredicción manual del precio de la vivienda100 xpRegresión a la media50 xp¡Home run!50 xpRentabilidad consecutiva de las carteras100 xpModelización de rendimientos consecutivos100 xpTransformación de variables50 xpTransformación de la variable explicativa100 xpTransformar también la variable de respuesta100 xpTransformación de la espalda100 xp - 3
Evaluación del ajuste del modelo
En este capítulo, aprenderá a plantear preguntas a su modelo para evaluar el ajuste. Aprenderá a cuantificar lo bien que se ajusta un modelo de regresión lineal, a diagnosticar los problemas del modelo mediante visualizaciones y a comprender la influencia de cada observación para crear el modelo.
Cuantificación del ajuste del modelo50 xpCoeficiente de determinación100 xpError estándar residual100 xpVisualización del ajuste del modelo50 xpResiduos frente a valores ajustados50 xpGráfico Q-Q de residuos50 xpUbicación a escala50 xpDibujar gráficos de diagnóstico100 xpValores atípicos, apalancamiento e influencia50 xpAproveche50 xpInfluencia50 xpObtención de ventajas e influencia100 xp - 4
Modelización de regresión logística simple
Aprenda a ajustar modelos de regresión logística. Utilizando datos del mundo real, predecirá la probabilidad de que un cliente cierre su cuenta bancaria como probabilidades de éxito y odds ratios, y cuantificará el rendimiento del modelo utilizando matrices de confusión.
Por qué es necesaria la regresión logística50 xpExploración de las variables explicativas100 xpVisualización de modelos lineales y logísticos100 xpRegresión logística con logit()100 xpPredicciones y odds ratios50 xpProbabilidades100 xpResultado más probable100 xpProporción de probabilidades100 xpLog odds ratio100 xpCuantificación del ajuste de la regresión logística50 xpCálculo de la matriz de confusión100 xpDibujar un gráfico de mosaico de la matriz de confusión100 xpPrecisión, sensibilidad, especificidad100 xpMedición del rendimiento de los modelos logísticos100 xp¡Enhorabuena!50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Fundamentos de Estadística con Python
Ir a la pistaSets De Datos
Customer churn dataTaiwan real estate dataAd conversion dataS&P 500 dataFish measurement dataColaboradores
Maarten Van den Broeck
Ver Mas
Senior Content Developer at DataCamp
¿Qué tienen que decir otros alumnos?
¡Únete a 13 millones de estudiantes y empieza Introducción a la regresión con modelos estadísticos en Python hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.