Sveip for å vise menyen

Bygging av en lineær regresjonsmodell

I statsmodels kan OLS-klassen brukes til å lage en lineær regresjonsmodell.

Først må vi initialisere et OLS-klasseobjekt ved å bruke sm.OLS(y, X_tilde). Deretter trenes det ved å bruke fit()-metoden.

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

Dette er ekvivalent med:

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

Merk

Konstruktøren til OLS-klassen forventer et spesifikt array X_tilde som input, slik vi så i Normal Equation. Derfor må du konvertere X-arrayet ditt til X_tilde. Dette kan gjøres ved å bruke funksjonen sm.add_constant().

Finne parametere

Når modellen er trent, kan du enkelt få tilgang til parameterne ved å bruke attributtet 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)

Lage prediksjoner

Nye instanser kan enkelt predikeres ved å bruke predict()-metoden, men du må også forhåndsprosessere inputen for disse:


              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))

Hente sammendraget

Som du sikkert har lagt merke til, er det ikke like enkelt å bruke OLS-klassen som polyfit()-funksjonen. Men det å bruke OLS har sine fordeler. Under treningen beregner den mye statistisk informasjon. Du kan få tilgang til denne informasjonen ved å bruke summary()-metoden.


              1
            
print(model.summary())

Det er mye statistikk. Vi vil diskutere de viktigste delene av tabellen i senere seksjoner.

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 4

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Bygge Lineær Regresjon med Statsmodels