Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Bygge Lineær Regresjon ved Bruk av Statsmodels | Enkel Lineær Regresjon
Lineær Regresjon med Python

bookBygge Lineær Regresjon ved Bruk av Statsmodels

Bygging av en lineær regresjonsmodell

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

Først må vi initialisere et objekt av OLS-klassen ved å bruke sm.OLS(y, X_tilde). Deretter trenes modellen ved hjelp av fit()-metoden.

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

Dette er ekvivalent med:

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

Konstruktøren til OLS-klassen forventer et spesifikt array X_tilde som input, som vi så i Normal Equation. Derfor må du konvertere ditt X-array 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)
copy

Lage prediksjoner

Nye instanser kan enkelt predikeres ved å bruke metoden predict(), 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))
copy

Hente sammendraget

Som du kanskje har lagt merke til, er det ikke like enkelt å bruke OLS-klassen som funksjonen polyfit(). 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 metoden summary().

1
print(model.summary())
copy

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

question mark

Velg det FEILAKTIGE utsagnet.

Select the correct answer

Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 4

Spør AI

expand

Spør AI

ChatGPT

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

bookBygge Lineær Regresjon ved Bruk av Statsmodels

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 objekt av OLS-klassen ved å bruke sm.OLS(y, X_tilde). Deretter trenes modellen ved hjelp av fit()-metoden.

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

Dette er ekvivalent med:

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

Konstruktøren til OLS-klassen forventer et spesifikt array X_tilde som input, som vi så i Normal Equation. Derfor må du konvertere ditt X-array 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)
copy

Lage prediksjoner

Nye instanser kan enkelt predikeres ved å bruke metoden predict(), 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))
copy

Hente sammendraget

Som du kanskje har lagt merke til, er det ikke like enkelt å bruke OLS-klassen som funksjonen polyfit(). 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 metoden summary().

1
print(model.summary())
copy

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

question mark

Velg det FEILAKTIGE utsagnet.

Select the correct answer

Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 4
some-alt