Construindo Regressão Linear Múltipla
A classe OLS
permite que você construa Regressão Linear Múltipla da mesma forma que a Regressão Linear Simples. No entanto, infelizmente, a função np.polyfit()
não lida com o caso de múltiplas características.
Vamos manter a classe OLS
.
Construindo a matriz X̃
Temos o mesmo conjunto de dados do exemplo de regressão linear simples, mas agora ele possui a altura da mãe como a segunda característica. Vamos carregá-lo e observar a variável X
.
Lembre-se, devemos usar OLS(y, X_tilde)
para inicializar o objeto OLS
. Como você pode ver, a variável X já contém duas características em colunas separadas. Portanto, para obter o X_tilde, só precisamos adicionar 1s como uma primeira coluna. A função sm.add_constant(X)
está fazendo exatamente isso!
Encontrando os parâmetros
Ótimo! Agora podemos construir o modelo, encontrar os parâmetros e fazer previsões da mesma forma que fizemos na seção anterior.
Nota
Agora que nosso conjunto de treinamento possui 2 características, precisamos fornecer 2 características para cada nova instância que queremos prever. É por isso que
np.array([[65, 62],[70, 65],[75, 70]])
foi usado no exemplo acima. Ele prevêy
para 3 novas instâncias: [Pai:65, Mãe:62], [Pai:70, Mãe:65], [Pai:75, Mãe:70]
Tudo estava claro?
Conteúdo do Curso
Linear Regression with Python
4. Escolhendo o Melhor Modelo
Linear Regression with Python
Construindo Regressão Linear Múltipla
A classe OLS
permite que você construa Regressão Linear Múltipla da mesma forma que a Regressão Linear Simples. No entanto, infelizmente, a função np.polyfit()
não lida com o caso de múltiplas características.
Vamos manter a classe OLS
.
Construindo a matriz X̃
Temos o mesmo conjunto de dados do exemplo de regressão linear simples, mas agora ele possui a altura da mãe como a segunda característica. Vamos carregá-lo e observar a variável X
.
Lembre-se, devemos usar OLS(y, X_tilde)
para inicializar o objeto OLS
. Como você pode ver, a variável X já contém duas características em colunas separadas. Portanto, para obter o X_tilde, só precisamos adicionar 1s como uma primeira coluna. A função sm.add_constant(X)
está fazendo exatamente isso!
Encontrando os parâmetros
Ótimo! Agora podemos construir o modelo, encontrar os parâmetros e fazer previsões da mesma forma que fizemos na seção anterior.
Nota
Agora que nosso conjunto de treinamento possui 2 características, precisamos fornecer 2 características para cada nova instância que queremos prever. É por isso que
np.array([[65, 62],[70, 65],[75, 70]])
foi usado no exemplo acima. Ele prevêy
para 3 novas instâncias: [Pai:65, Mãe:62], [Pai:70, Mãe:65], [Pai:75, Mãe:70]
Tudo estava claro?