Oppiskele Lineaarisen Regressiomallin Rakentaminen Käyttäen Statsmodels-Kirjastoa

Pyyhkäise näyttääksesi valikon

Lineaarisen regressiomallin rakentaminen

Statsmodels-kirjastossa OLS-luokkaa voidaan käyttää lineaarisen regressiomallin luomiseen.

Ensiksi täytyy alustaa OLS-luokan olio käyttämällä sm.OLS(y, X_tilde). Tämän jälkeen malli opetetaan fit()-metodilla.

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

Tämä on sama kuin:

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

Huomio

OLS-luokan konstruktori odottaa tietynlaista taulukkoa X_tilde syötteenä, kuten nähtiin normaaliyhtälössä. Siksi sinun täytyy muuntaa X-taulukko muotoon X_tilde. Tämä onnistuu käyttämällä sm.add_constant()-funktiota.

Parametrien löytäminen

Kun malli on opetettu, parametreihin pääsee helposti käsiksi params-attribuutin avulla.


              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)

Ennusteiden tekeminen

Uusien havaintojen ennustaminen onnistuu helposti predict()-metodilla, mutta myös syötteet täytyy esikäsitellä:


              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))

Yhteenvetotietojen hakeminen

Kuten olet ehkä huomannut, OLS-luokan käyttäminen ei ole yhtä helppoa kuin polyfit()-funktion. OLS:n käytössä on kuitenkin etuja. Mallin koulutuksen aikana lasketaan runsaasti tilastollista tietoa. Näihin tietoihin pääsee käsiksi summary()-metodilla.


              1
            
print(model.summary())

Tässä on paljon tilastotietoa. Käsittelemme taulukon tärkeimpiä osia myöhemmissä osioissa.

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 1. Luku 4

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Osio 1. Luku 4