Apprendre Construction de la Régression Linéaire avec Statsmodels

Construction d’un modèle de régression linéaire

Dans statsmodels, la classe OLS peut être utilisée pour créer un modèle de régression linéaire.

Il faut d’abord initialiser un objet de la classe OLS en utilisant sm.OLS(y, X_tilde). Ensuite, l’entraîner avec la méthode fit().

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

Ce qui est équivalent à :

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

Remarque

Le constructeur de la classe OLS attend en entrée un tableau spécifique X_tilde, que nous avons vu dans l’équation normale. Il est donc nécessaire de convertir votre tableau X en X_tilde. Cela peut être réalisé à l’aide de la fonction sm.add_constant().

Recherche des paramètres

Une fois le modèle entraîné, il est possible d'accéder facilement aux paramètres à l'aide de l'attribut 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)

Réalisation des prédictions

De nouvelles instances peuvent être prédites facilement à l'aide de la méthode predict(), mais il est également nécessaire de prétraiter les entrées correspondantes :


              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))

Obtention du résumé

Comme vous l'avez probablement remarqué, l'utilisation de la classe OLS n'est pas aussi simple que la fonction polyfit(). Cependant, l'utilisation de OLS présente des avantages. Lors de l'entraînement, de nombreuses informations statistiques sont calculées. Ces informations sont accessibles via la méthode summary().


              1
            
print(model.summary())

Cela fait beaucoup de statistiques. Nous aborderons les parties les plus importantes du tableau dans les sections suivantes.

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 4

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Glissez pour afficher le menu