Вивчайте Побудова Лінійної Регресії за Допомогою Statsmodels

Побудова моделі лінійної регресії

У statsmodels для створення моделі лінійної регресії використовується клас OLS.

Спочатку необхідно ініціалізувати об'єкт класу OLS за допомогою sm.OLS(y, X_tilde). Далі модель навчається методом fit().

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

Що еквівалентно:

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

Примітка

Конструктор класу OLS очікує на вхід певний масив X_tilde, який ми розглядали у нормальному рівнянні. Тому потрібно перетворити масив X у X_tilde. Це можна зробити за допомогою функції sm.add_constant().

Знаходження параметрів

Після навчання моделі параметри можна легко отримати за допомогою атрибута 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)

Створення прогнозів

Нові значення можна легко передбачити за допомогою методу predict(), але для цього також потрібно попередньо обробити вхідні дані:


              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))

Отримання зведеної інформації

Як ви, ймовірно, помітили, використання класу OLS не таке просте, як функції polyfit(). Проте використання OLS має свої переваги. Під час навчання він обчислює багато статистичної інформації. Доступ до цієї інформації можна отримати за допомогою методу summary().


              1
            
print(model.summary())

Це велика кількість статистичних даних. Найважливіші частини цієї таблиці будуть розглянуті в наступних розділах.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 4

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Suggested prompts:

Can you explain what the `add_constant` function does?

What do the values of `beta_0` and `beta_1` represent in this context?

How do I interpret the output of the `summary()` method?

Awesome!

Completion rate improved to 5.26

Свайпніть щоб показати меню