Construcción de Regresión Lineal Utilizando Statsmodels
Construcción de un modelo de regresión lineal
En statsmodels, la clase OLS puede utilizarse para crear un modelo de regresión lineal.
Primero es necesario inicializar un objeto de la clase OLS usando
sm.OLS(y, X_tilde).
Luego, se entrena utilizando el método fit().
model = sm.OLS(y, X_tilde)
model = model.fit()
Lo cual es equivalente a:
model = sm.OLS(y, X_tilde).fit()
El constructor de la clase OLS espera como entrada un arreglo específico X_tilde, que se vio en la Ecuación Normal. Por lo tanto, es necesario convertir el arreglo X a X_tilde. Esto se puede lograr utilizando la función sm.add_constant().
Encontrar los parámetros
Cuando el modelo está entrenado, se puede acceder fácilmente a los parámetros utilizando el atributo params.
123456789import 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)
Realizar las predicciones
Se pueden predecir fácilmente nuevas instancias utilizando el método predict(), pero también es necesario preprocesar la entrada para ellas:
12345import numpy as np X_new = np.array([65, 70, 75]) X_new_tilde = sm.add_constant(X_new) print(model.predict(X_new_tilde))
Obtener el Resumen
Como probablemente notó, utilizar la clase OLS no es tan sencillo como la función polyfit(). Sin embargo, usar OLS tiene sus ventajas. Durante el entrenamiento, calcula mucha información estadística. Puede acceder a esta información utilizando el método summary().
1print(model.summary())
Eso es una gran cantidad de estadísticas. Discutiremos las partes más importantes de la tabla en secciones posteriores.
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 5.26Construcción de Regresión Lineal Utilizando Statsmodels
Desliza para mostrar el menú
Construcción de un modelo de regresión lineal
En statsmodels, la clase OLS puede utilizarse para crear un modelo de regresión lineal.
Primero es necesario inicializar un objeto de la clase OLS usando
sm.OLS(y, X_tilde).
Luego, se entrena utilizando el método fit().
model = sm.OLS(y, X_tilde)
model = model.fit()
Lo cual es equivalente a:
model = sm.OLS(y, X_tilde).fit()
El constructor de la clase OLS espera como entrada un arreglo específico X_tilde, que se vio en la Ecuación Normal. Por lo tanto, es necesario convertir el arreglo X a X_tilde. Esto se puede lograr utilizando la función sm.add_constant().
Encontrar los parámetros
Cuando el modelo está entrenado, se puede acceder fácilmente a los parámetros utilizando el atributo params.
123456789import 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)
Realizar las predicciones
Se pueden predecir fácilmente nuevas instancias utilizando el método predict(), pero también es necesario preprocesar la entrada para ellas:
12345import numpy as np X_new = np.array([65, 70, 75]) X_new_tilde = sm.add_constant(X_new) print(model.predict(X_new_tilde))
Obtener el Resumen
Como probablemente notó, utilizar la clase OLS no es tan sencillo como la función polyfit(). Sin embargo, usar OLS tiene sus ventajas. Durante el entrenamiento, calcula mucha información estadística. Puede acceder a esta información utilizando el método summary().
1print(model.summary())
Eso es una gran cantidad de estadísticas. Discutiremos las partes más importantes de la tabla en secciones posteriores.
¡Gracias por tus comentarios!
