Daten aus der Praxis sind selten einfach. In diesem Modul erweitern Sie die Regressionsmodellierung um mehrere Prädiktoren und Wechselwirkungseffekte. Sie werden untersuchen, wie das Hinzufügen von Variablen die Modellgenauigkeit verbessert, wie sich komplexe Zusammenhänge interpretieren lassen und wie Sie eine Überanpassung vermeiden können, wenn Ihre Modelle immer ausgefeilter werden.

Nicht alle Ergebnisse sind numerisch. In diesem Modul lernen Sie, wie Sie kategoriale Ergebnisse (z. B. „Ja/Nein“ oder „Spam/Kein Spam“) mithilfe der logistischen Regression modellieren. Sie erfahren, wie Sie Wahrscheinlichkeiten berechnen, Ergebnisse klassifizieren und die Leistung Ihrer Modelle bewerten. Dabei untersuchen Sie, wie sich Überanpassung auf die Klassifizierung auswirkt, und setzen sich damit auseinander, wie Sie Modellvorhersagen verantwortungsbewusst interpretieren und kommunizieren können.

Jedes Modell ist mit Unsicherheiten behaftet, und das Verständnis sowie die Vermittlung dieser Unsicherheiten machen Sie zu einem umsichtigen Datenwissenschaftler. In diesem abschließenden Modul beschäftigen Sie sich mit Bootstrapping- und Randomisierungsmethoden, um die Zuverlässigkeit Ihrer Ergebnisse zu bewerten, Hypothesentests durchzuführen und Ihre Ergebnisse transparent zu kommunizieren. Am Ende wirst du deine Modellierungs- und Inferenzfähigkeiten zusammenführen, um klare, datengestützte Schlussfolgerungen zu ziehen.