Логистическая регрессия

От издательства
Часть I. Логика логистической регрессии
1. Проблемы обычной регрессии с бинарной
зависимой переменной
2. Знакомство с логистической функцией
3. Преобразование вероятностей в логиты
4. Линеаризация нелинейности
5. Выводы
Часть II. Интерпретация коэффициентов
логистической регрессии
1. Логиты
2. Шансы
3. Вероятности
4. Тесты значимости
5. Стандартизация
6. Пример интерпретации
Часть III. Обучение модели логистической
регрессии
Требования и рекомендации по эффективному
обучению логистической регрессии
1. Знакомство с методом максимального
правдоподобия
2. Функция логарифмического
правдоподобия
3. Оценивание коэффициентов с помощью
градиентного спуска и метода Ньютона
Часть IV. Мультиколлинеарность и регуляризация
1. Диагностика мультиколлинеарности
2. Способы борьбы с
мультиколлинеарностью
3. Методы регуляризации
4. Оценивание коэффициентов с помощью
градиентного спуска и метода Ньютона с
регуляризацией
Часть V. Реализация логистической регрессии в
библиотеке scikit-learn
1. Знакомство с классом LogisticRegression
2. Получение стандартных ошибок,
статистик Вальда, z-оценок и p-значений для
класса LogisticRegression библиотеки scikit-learn
3. Построение базовой модели с помощью
класса LogisticRegression библиотеки scikit-learn
(кейс 1)
4. Полный цикл обучения конвейера в
библиотеке scikit-learn
5. Сборка итогового конвейера
6. Обучение итогового конвейера для
каждой комбинации значений гиперпараметров
(поиск оптимальных значений гиперпараметров)
7. Вывод регрессионных коэффициентов
наилучшей модели
8. Загрузка всех исторических данных и
выполнение предварительной подготовки
9. Обучение итогового конвейера с
найденными наилучшими значениями
гиперпараметров на всех исторических данных
10. Загрузка новых данных и выполнение
предварительной подготовки
11. Получение вероятностей для новых
данных с помощью итогового конвейера с
наилучшими значениями гиперпараметров,
обученного на всей исторической выборке
5. Примеры развертывания обученного конвейера
scikit-learn
1. Простое развертывание в Streamlit
2. Развертывание на облачной платформе
Streamlit Cloud
3. Развертывание с помощью Docker
4. Развертывание с помощью FastAPI
Часть VI. Реализация логистической регрессии в
библиотеке H2O
1. Знакомство с классом
H2OGeneralizedLinearEstimator
2. Полный цикл обучения модели с помощью
класса H2OGeneralizedLinearEstimator библиотеки
h2o
3. Обучение наилучшей модели
логистической регрессии на всех исторических
данных
4. Сохранение модели, обученной на всех
исторических данных,для последующего
использования
5. Загрузка новых данных и выполнение
Предварительной подготовки
6. Преобразование предобработанного
датафрейма новых данных во фрейм H2O
7. Применение модели логистической
регрессии, обученной на всех исторических
данных, к новым данным