线性回归模型的标准建模步骤

系统介绍方差分析模型、回归模型、logistic回归等各种经典统计模型，以及树模型、神经网络、支持向量机、最近邻方法等各种现代数据挖掘模型的算法原理，模型优缺点，适用条件及考查方式，并学习这些模型在sklearn和statsmodels中的具体实现方法。

本课程为统计原理与操作并重，在详细阐明各种模型算法特点的基础上，再对这些方法的python实现进行学习。

学习完本课程后，学员将能够独立使用sklearn和statsmodels拟合各种统计模型，满足实际研究工作或数据挖掘项目中的建模需求。

请至PC端网页下载本课程代码课件及数据。

【更新记录】

2024.7月：针对sklearn1.5版和statsmodels 0.14版，将课程升级至2024版。

2022.1月：针对Anaconda最新版(python 3.8)，sklearn1.0.2版和statsmodels 0.13.1版完成兼容性测试，更新了对应的课程内容。

2021.4月：基于最新的statsmodels 0.12.2版完成了代码兼容性测试，对课程内容进行了更新。

2019.9月：增加关联分析一章，1h+时长。

【课程长度】

总时长：20小时

【学员基础】

学员需要懂得Python语言的基本编程知识，有基本的程序查错能力。

学员事前应当学习统计分析的基本知识，建议完全没有统计基础的学员事先学习免费视频课程《统计分析轻松入门》和《统计模型轻松入门》。

本课程为python数据分析系列课程的高级内容，建议学员事先学习《玩转pandas》、《玩转统计分析》等基础课程。