Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Opbygning af Lineær Regression ved Hjælp af Statsmodels | Simpel Lineær Regression
Lineær Regression med Python

bookOpbygning af Lineær Regression ved Hjælp af Statsmodels

Opbygning af en lineær regressionsmodel

I statsmodels kan OLS-klassen bruges til at oprette en lineær regressionsmodel.

Først skal vi initialisere et OLS-klasseobjekt ved hjælp af sm.OLS(y, X_tilde). Derefter trænes modellen med metoden fit().

model = sm.OLS(y, X_tilde)
model = model.fit()

Dette svarer til:

model = sm.OLS(y, X_tilde).fit()
Note
Bemærk

Konstruktøren for OLS-klassen forventer et specifikt array X_tilde som input, hvilket vi så i den normale ligning. Derfor skal du konvertere dit X-array til X_tilde. Dette kan opnås ved at bruge funktionen sm.add_constant().

Finde parametre

Når modellen er trænet, kan parametrene nemt tilgås ved hjælp af attributten params.

123456789
import statsmodels.api as sm import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/simple_height_data.csv') X, y = df['Father'], df['Height'] X_tilde = sm.add_constant(X) model = sm.OLS(y, X_tilde).fit() beta_0, beta_1 = model.params print(beta_0, beta_1)
copy

Udarbejdelse af forudsigelser

Nye instanser kan nemt forudsiges ved hjælp af metoden predict(), men input skal også forbehandles for dem:

12345
import numpy as np X_new = np.array([65, 70, 75]) X_new_tilde = sm.add_constant(X_new) print(model.predict(X_new_tilde))
copy

Hentning af oversigt

Som du sikkert har bemærket, er brugen af OLS-klassen ikke lige så enkel som funktionen polyfit(). Men brugen af OLS har sine fordele. Under træningen beregner den en række statistiske oplysninger. Du kan få adgang til disse oplysninger ved hjælp af metoden summary().

1
print(model.summary())
copy

Det er mange statistikker. Vi vil gennemgå tabellens vigtigste dele i senere afsnit.

question mark

Vælg den FORKERTE påstand.

Select the correct answer

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 1. Kapitel 4

Spørg AI

expand

Spørg AI

ChatGPT

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Awesome!

Completion rate improved to 5.26

bookOpbygning af Lineær Regression ved Hjælp af Statsmodels

Stryg for at vise menuen

Opbygning af en lineær regressionsmodel

I statsmodels kan OLS-klassen bruges til at oprette en lineær regressionsmodel.

Først skal vi initialisere et OLS-klasseobjekt ved hjælp af sm.OLS(y, X_tilde). Derefter trænes modellen med metoden fit().

model = sm.OLS(y, X_tilde)
model = model.fit()

Dette svarer til:

model = sm.OLS(y, X_tilde).fit()
Note
Bemærk

Konstruktøren for OLS-klassen forventer et specifikt array X_tilde som input, hvilket vi så i den normale ligning. Derfor skal du konvertere dit X-array til X_tilde. Dette kan opnås ved at bruge funktionen sm.add_constant().

Finde parametre

Når modellen er trænet, kan parametrene nemt tilgås ved hjælp af attributten params.

123456789
import statsmodels.api as sm import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/simple_height_data.csv') X, y = df['Father'], df['Height'] X_tilde = sm.add_constant(X) model = sm.OLS(y, X_tilde).fit() beta_0, beta_1 = model.params print(beta_0, beta_1)
copy

Udarbejdelse af forudsigelser

Nye instanser kan nemt forudsiges ved hjælp af metoden predict(), men input skal også forbehandles for dem:

12345
import numpy as np X_new = np.array([65, 70, 75]) X_new_tilde = sm.add_constant(X_new) print(model.predict(X_new_tilde))
copy

Hentning af oversigt

Som du sikkert har bemærket, er brugen af OLS-klassen ikke lige så enkel som funktionen polyfit(). Men brugen af OLS har sine fordele. Under træningen beregner den en række statistiske oplysninger. Du kan få adgang til disse oplysninger ved hjælp af metoden summary().

1
print(model.summary())
copy

Det er mange statistikker. Vi vil gennemgå tabellens vigtigste dele i senere afsnit.

question mark

Vælg den FORKERTE påstand.

Select the correct answer

Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 1. Kapitel 4
some-alt