<\/p>\n
Ein Residuum<\/a> ist die Differenz zwischen einem beobachteten Wert und einem vorhergesagten Wert in einem Regressionsmodell.<\/span><\/p>\n Es wird wie folgt berechnet:<\/span><\/p>\n Residuum = Beobachteter Wert \u2013 Vorhergesagter Wert<\/span><\/p>\n Eine M\u00f6glichkeit zu verstehen, wie gut ein Regressionsmodell zu einem Datensatz passt, ist die Berechnung der Restquadratsumme<\/strong> , die wie folgt berechnet wird:<\/span><\/p>\n Restquadratsumme = \u03a3(e i<\/sub> ) 2<\/sup><\/span><\/p>\n Gold:<\/span><\/p>\n Je niedriger der Wert, desto besser passt das Modell zu einem Datensatz.<\/span><\/p>\n Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Berechnung der Restquadratsumme f\u00fcr ein Regressionsmodell in Python.<\/span><\/p>\n F\u00fcr dieses Beispiel geben wir Daten zur Anzahl der Lernstunden, zur Gesamtzahl der abgelegten Vorbereitungspr\u00fcfungen und zu den Pr\u00fcfungsergebnissen von 14 verschiedenen Studierenden ein:<\/span><\/p>\n Als n\u00e4chstes verwenden wir die<\/span> Funktion OLS()<\/a> aus der Statsmodels-Bibliothek, um eine gew\u00f6hnliche Regression der kleinsten Quadrate durchzuf\u00fchren, wobei wir \u201eStunden\u201c und \u201ePr\u00fcfungen\u201c als Pr\u00e4diktorvariablen und \u201ePunktzahl\u201c als Antwortvariable verwenden:<\/span><\/p>\n Wir k\u00f6nnen den folgenden Code verwenden, um die verbleibende Quadratsumme des Modells zu berechnen:<\/span><\/p>\n Die verbleibende Quadratsumme ergibt sich zu 293.256<\/strong> .<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in Python durch<\/a> Ein Residuum ist die Differenz zwischen einem beobachteten Wert und einem vorhergesagten Wert in einem Regressionsmodell. Es wird wie folgt berechnet: Residuum = Beobachteter Wert \u2013 Vorhergesagter Wert Eine M\u00f6glichkeit zu verstehen, wie gut ein Regressionsmodell zu einem Datensatz passt, ist die Berechnung der Restquadratsumme , die wie folgt berechnet wird: Restquadratsumme = \u03a3(e i […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Schritt 1: Geben Sie die Daten ein<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' hours<\/span> ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4, 3, 6, 5],\n ' exams<\/span> ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4, 3, 2, 4],\n ' score<\/span> ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90, 75, 96, 90]})\n<\/strong><\/pre>\n Schritt 2: Passen Sie das Regressionsmodell an<\/strong><\/span><\/h3>\n
import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define response variable\n<\/span>y = df[' score<\/span> ']\n\n#define predictor variables\n<\/span>x = df[[' hours<\/span> ', ' exams<\/span> ']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit linear regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view model summary\n<\/span>print<\/span> ( model.summary<\/span> ())\n\n OLS Regression Results \n==================================================== ============================\nDept. Variable: R-squared score: 0.722\nModel: OLS Adj. R-squared: 0.671\nMethod: Least Squares F-statistic: 14.27\nDate: Sat, 02 Jan 2021 Prob (F-statistic): 0.000878\nTime: 15:58:35 Log-Likelihood: -41.159\nNo. Comments: 14 AIC: 88.32\nDf Residuals: 11 BIC: 90.24\nModel: 2 \nCovariance Type: non-robust \n==================================================== ============================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 71.8144 3.680 19.517 0.000 63.716 79.913\nhours 5.0318 0.942 5.339 0.000 2.958 7.106\nexams -1.3186 1.063 -1.240 0.241 -3.658 1.021\n==================================================== ============================\nOmnibus: 0.976 Durbin-Watson: 1.270\nProb(Omnibus): 0.614 Jarque-Bera (JB): 0.757\nSkew: -0.245 Prob(JB): 0.685\nKurtosis: 1.971 Cond. No. 12.1\n==================================================== ============================\n<\/strong><\/span><\/pre>\n Schritt 3: Berechnen Sie die Restquadratsumme<\/strong><\/span><\/h3>\n
print<\/span> ( model.ssr<\/span> )\n\n293.25612951525414\n<\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine multiple lineare Regression in Python durch<\/a>
Restquadratsummenrechner<\/p>\n","protected":false},"excerpt":{"rendered":"