« Maîtriser la régression logistique avec SAS : créer et évaluer des modèles » est une formation pratique qui vous apprend à développer, affiner et évaluer des modèles de régression logistique à l'aide de SAS. Vous commencerez par explorer le rôle de la régression logistique dans la modélisation prédictive, en travaillant sur des données réelles issues du secteur de l'assurance, puis en mettant en œuvre vos premiers modèles avec PROC LOGISTIC. Au fur et à mesure de votre progression, vous préparerez des ensembles de données en traitant les valeurs manquantes, en codant les variables catégorielles et en appliquant des techniques de préparation des données garantissant la fiabilité des performances des modèles.

Conçue pour les futurs data scientists, analystes de données et professionnels du monde des affaires, cette formation propose un parcours d’apprentissage structuré, allant des concepts fondamentaux à l’optimisation avancée des modèles. Vous apprendrez à réduire la redondance des prédicteurs grâce au regroupement de variables, à évaluer l’importance des prédicteurs à l’aide de méthodes de criblage statistique et à appliquer des techniques de sélection de sous-ensembles pour identifier les entrées les plus efficaces du modèle. Dans le dernier module, vous affinerez des modèles de régression logistique à l’aide de l’élimination par étapes et de l’élimination arrière, vous implémenterez des modèles avec PROC LOGISTIC et ODS, et vous évaluerez les performances prédictives à l’aide d’analyses d’erreurs de classification, de matrices de confusion et de graphiques logit. Tout au long de la formation, vous acquerrez une expérience pratique de SAS tout en découvrant un workflow de bout en bout permettant de construire des modèles de classification interprétables et rigoureusement validés. Si vous souhaitez renforcer vos compétences en modélisation prédictive et appliquer en toute confiance la régression logistique dans SAS, cette formation vous offre une expérience d’apprentissage pratique et axée sur des projets concrets.