Construindo Regressão Linear Múltipla
A classe OLS permite construir uma Regressão Linear Múltipla da mesma forma que a Regressão Linear Simples. No entanto, a função np.polyfit() não suporta o caso com múltiplas variáveis independentes.
Vamos utilizar a classe OLS.
Construção da Matriz X̃
Temos o mesmo conjunto de dados do exemplo de regressão linear simples, mas agora com a altura da mãe como segunda variável. Vamos carregá-lo e analisar a variável X:
123456789import pandas as pd import statsmodels.api as sm file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file # Assign the variables X = df[['Father', 'Mother']] y = df['Height'] print(X.head())
Lembre-se de que devemos usar OLS(y, X_tilde) para inicializar o objeto OLS. Como pode ser observado, a variável X já possui duas variáveis em colunas separadas. Portanto, para obter X_tilde, basta adicionar 1s como a primeira coluna. A função sm.add_constant(X) realiza exatamente essa operação!
1234567891011import pandas as pd import statsmodels.api as sm file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file # Assign the variables X = df[['Father', 'Mother']] y = df['Height'] # Create X_tilde X_tilde = sm.add_constant(X) print(X_tilde.head())
Encontrando os Parâmetros
Ótimo! Agora podemos construir o modelo, encontrar os parâmetros e fazer previsões da mesma forma que fizemos na seção anterior.
12345678910111213141516171819202122import pandas as pd import statsmodels.api as sm import numpy as np file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file X,y = df[['Father', 'Mother']], df['Height'] # Assign the variables X_tilde = sm.add_constant(X) # Create X_tilde # Initialize an OLS object regression_model = sm.OLS(y, X_tilde) # Train the object regression_model = regression_model.fit() # Get the paramters beta_0, beta_1, beta_2 = regression_model.params print('beta_0 is: ', beta_0) print('beta_1 is: ', beta_1) print('beta_2 is: ', beta_2) # Predict new values X_new = np.array([[65, 62],[70, 65],[75, 70]]) # Feature values of new instances X_new_tilde = sm.add_constant(X_new) # Preprocess X_new y_pred = regression_model.predict(X_new_tilde) # Predict the target print('Predictions:', y_pred)
Agora que nosso conjunto de treinamento possui 2 variáveis, precisamos fornecer 2 variáveis para cada nova instância que desejamos prever. Por isso, np.array([[65, 62],[70, 65],[75, 70]]) foi utilizado no exemplo acima. Ele prevê y para 3 novas instâncias: [Father:65,Mother:62], [Father:70, Mother:65], [Father:75, Mother:70].
Obrigado pelo seu feedback!
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 5.26Construindo Regressão Linear Múltipla
Deslize para mostrar o menu
A classe OLS permite construir uma Regressão Linear Múltipla da mesma forma que a Regressão Linear Simples. No entanto, a função np.polyfit() não suporta o caso com múltiplas variáveis independentes.
Vamos utilizar a classe OLS.
Construção da Matriz X̃
Temos o mesmo conjunto de dados do exemplo de regressão linear simples, mas agora com a altura da mãe como segunda variável. Vamos carregá-lo e analisar a variável X:
123456789import pandas as pd import statsmodels.api as sm file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file # Assign the variables X = df[['Father', 'Mother']] y = df['Height'] print(X.head())
Lembre-se de que devemos usar OLS(y, X_tilde) para inicializar o objeto OLS. Como pode ser observado, a variável X já possui duas variáveis em colunas separadas. Portanto, para obter X_tilde, basta adicionar 1s como a primeira coluna. A função sm.add_constant(X) realiza exatamente essa operação!
1234567891011import pandas as pd import statsmodels.api as sm file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file # Assign the variables X = df[['Father', 'Mother']] y = df['Height'] # Create X_tilde X_tilde = sm.add_constant(X) print(X_tilde.head())
Encontrando os Parâmetros
Ótimo! Agora podemos construir o modelo, encontrar os parâmetros e fazer previsões da mesma forma que fizemos na seção anterior.
12345678910111213141516171819202122import pandas as pd import statsmodels.api as sm import numpy as np file_link='https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/heights_two_feature.csv' df = pd.read_csv(file_link) # Open the file X,y = df[['Father', 'Mother']], df['Height'] # Assign the variables X_tilde = sm.add_constant(X) # Create X_tilde # Initialize an OLS object regression_model = sm.OLS(y, X_tilde) # Train the object regression_model = regression_model.fit() # Get the paramters beta_0, beta_1, beta_2 = regression_model.params print('beta_0 is: ', beta_0) print('beta_1 is: ', beta_1) print('beta_2 is: ', beta_2) # Predict new values X_new = np.array([[65, 62],[70, 65],[75, 70]]) # Feature values of new instances X_new_tilde = sm.add_constant(X_new) # Preprocess X_new y_pred = regression_model.predict(X_new_tilde) # Predict the target print('Predictions:', y_pred)
Agora que nosso conjunto de treinamento possui 2 variáveis, precisamos fornecer 2 variáveis para cada nova instância que desejamos prever. Por isso, np.array([[65, 62],[70, 65],[75, 70]]) foi utilizado no exemplo acima. Ele prevê y para 3 novas instâncias: [Father:65,Mother:62], [Father:70, Mother:65], [Father:75, Mother:70].
Obrigado pelo seu feedback!
