1,课程内容全面,涵盖回归分析的基本内容,并与机器学习方法有机结合,体现了与时俱进的特点,主要内容包括:一元与多元线性回归的基本理论、回归模型的诊断与矫正、非线性与定性变量回归、求解分类问题的Logistic回归、变量选择、过拟合与正则化技术;
2,课程以Python为教学语言,详细讲解对实际数据进行回归建模与分析的基本步骤与注意事项,具有很强的可操作性;
3,注重案例实践。学生需上机完成一系列案例分析作业,并根据分析结果回答相应问题,才能得到案例实践部分的成绩;
4,在线平台提供单元测试、互动讨论、期终考试等一系列功能,帮助同学更好地掌握回归分析的基本理论和应用方法。
要求同学们在学完这门课以后,掌握回归分析的基本理论包括线性的和初步的非线性,能够再收集到数据以后判断是否可以由回归的方法解决,并且能够用SPSS软件和Python软件实现回归问题的求解。
本课程成绩由三部分组成:
1,单元测试,满分30分。要求在每章内容学完后,完成章后的测试题,主要考察对理论知识的掌握。每章测试题可以提交三次,无时间限制,取最高分为该章测试成绩。
2,案例作业,本部分为上机实践环节,满分30分。从第四章开始,我们会发布与与教学板块相应的实践案例。同学们需仔细阅读题目要求,下载相应的数据文件,并完成上机操作,并根据分析结果回答相应问题。
3,期末考试,将在课程结束时发布,满分为40分。
三部分总分为本课程总成绩。
1、本课程以概率论与数理统计为先修课程,同时应有较好的微积分与线性代数基础。
2、有过学习一门高级编程语言(如C、R、Matlab等)的经历即可,如有关于Python的基础知识更佳。
主要参考资料:
回归理论部分:
1、何晓群,刘文卿:《应用回归分析》,中国人民大学出版社,2015年4月第4版。
2. 唐年胜、李会琼:《应用回归分析》,科学出版社,2014年1月第1版。
Python实践部分:
1.埃里克·马瑟斯(Eric Matthes):《Python编程——从入门到实践》,人民邮电出版社,2016年7月第1版。
2. 韦斯·麦金尼(Wes McKinney):《利用Python进行数据分析》,2018年8月,第2版。