Multiple Lineare Regression,

-

Intermediate

Modelle interpretieren zu können ist eine wichtige Grundlage der Data Science. Oft können Modelle nicht nur durch eine Variable erklärt werden, sondern sind von mehreren Variablen abhängig. Das Hauptziel dieser Kompetenz ist zu verstehen, wie man durch multiple lineare Regression Modelle bestimmt und wie man deren Fehler abschätzt.

Multiple Regression Die Studierenden können Probleme, die von mehreren Variablen abhängen, durch multiple Regression lösen. Sie kennen die Probleme, die durch Overfitting und Underfitting entstehen und können sie unter anderem durch Regularisierung versuchen zu lösen.

Variablenselektion und Modellwahl Die Studierenden können durch Rückwärts-Elimination, Vorwärts-Selektion und Schrittweise Regression signifikante Einflussfaktoren und das passende Modell bestimmen.

Stabilität von ModellenDie Studierenden können bestimmen, ob Modelle anwendbar sind. Sie können Tests zur Multikollinearität durch Korrelationsmatrizen und Berechnung der Toleranz durchführen. Ausreisser in den Daten können sie grafisch (Histogramme) oder rechnerisch bestimmen. Sie verstehen wie man Train-Test Sets definiert und Modelle validiert.

Modellinterpretation und ModellvorhersageDie Studierenden können Modelloutputs richtig interpretieren (z.B. Output für einzelne Levels von Faktoren), Modelle in einfachen Worten beschreiben (z.B. wichtigste Einflussfaktoren) und für Vorhersagen anwenden. Die Studierenden können die Modellgüte (z.B. via Bestimmt¬heits¬mass R2, adjustiertes R2) abschätzen, die Modell¬annahmen überprüfen (z.B. via Residuenanalyse), Modelle verbessern (z.B. durch Transformationen und Interaktionen von Einflussfaktoren) und quantitativ miteinander vergleichen.

Note

Lineare und Logistische Regression

Portfoliomodul