مقدمه‌ای بر رگرسیون با statsmodels در Python

استفاده از statsmodels در Python برای رگرسیون خطی و لجستیک

رگرسیون خطی و رگرسیون لجستیک از پرکاربردترین مدل‌های آماری هستند و مانند کلیدهایی قدرتمند، امکان کشف الگوهای پنهان در داده‌ را فراهم می‌کنند. در این دوره مهارت برازش مدل‌های ساده رگرسیون خطی و لجستیک را به دست می‌آورید.

از طریق تمرین‌های عملی، روابط بین متغیرها را در مجموعه‌داده‌ واقعی بررسی می‌کنید؛ از جمله داده‌ مربوط به خسارت بیمه خودرو، قیمت خانه در تایوان، اندازه ماهی‌ها و نمونه‌های دیگر.

یادگیری چگونگی پیش‌بینی و ارزیابی برازش مدل

این دوره 4 ساعته با معرفی مفهوم رگرسیون و تفاوت میان رگرسیون خطی و لجستیک آغاز می‌شود و نحوه به‌کارگیری هر دو روش را می‌آموزید. سپس یاد می‌گیرید چگونه با استفاده از مدل‌های رگرسیون خطی روی داده‌ پیش‌بینی انجام دهید و در عین حال با ساختار و اجزای اشیای مدل نیز آشنا شوید.

در ادامه، روش‌های ارزیابی میزان برازش مدل و تشخیص کیفیت عملکرد مدل رگرسیون خطی را یاد می‌گیرید. در نهایت نیز به بررسی عمیق‌تر مدل‌های رگرسیون لجستیک پرداخته و نحوه انجام پیش‌بینی روی داده‌ واقعی را تمرین می‌کنید.

یادگیری مبانی تحلیل رگرسیون در Python

در پایان این دوره می‌توانید با استفاده از داده‌ خود پیش‌بینی انجام دهید، عملکرد مدل را کمی‌سازی کنید و مشکلات مرتبط با برازش مدل را شناسایی نمایید. همچنین درک خواهید کرد چگونه از کتابخانه statsmodels در Python برای تحلیل رگرسیون استفاده کرده و این مهارت‌ها را روی داده‌ واقعی به کار ببرید.