Die folgende Grafik zeigt beispielsweise ein Beispiel f\u00fcr einen logarithmischen Zerfall:<\/span> <\/p>\n F\u00fcr diese Art von Situation k\u00f6nnte die Beziehung zwischen einer Pr\u00e4diktorvariablen und einer Antwortvariablen<\/a> mithilfe einer logarithmischen Regression gut modelliert werden.<\/span><\/p>\n Die Gleichung f\u00fcr ein logarithmisches Regressionsmodell hat die folgende Form:<\/span><\/p>\n y = a + b*ln(x)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie man eine logarithmische Regression in Python durchf\u00fchrt.<\/span><\/p>\n Erstellen wir zun\u00e4chst gef\u00e4lschte Daten f\u00fcr zwei Variablen: x<\/em> und y<\/em> :<\/span><\/p>\n Als N\u00e4chstes erstellen wir ein kurzes Streudiagramm, um die Beziehung zwischen x<\/em> und y<\/em> zu visualisieren:<\/span> <\/p>\n Aus der Grafik k\u00f6nnen wir ersehen, dass zwischen den beiden Variablen ein logarithmisches Abklingmuster besteht. Der Wert der Antwortvariablen y<\/em> nimmt zun\u00e4chst schnell ab und verlangsamt sich dann mit der Zeit.<\/span><\/p>\n Daher erscheint es sinnvoll, eine logarithmische Regressionsgleichung anzuwenden, um die Beziehung zwischen den Variablen zu beschreiben.<\/span><\/p>\n Als n\u00e4chstes verwenden wir die Funktion polyfit()<\/strong> , um ein logarithmisches Regressionsmodell anzupassen, wobei wir den nat\u00fcrlichen Logarithmus von x<\/em> als Pr\u00e4diktorvariable und y<\/em> als Antwortvariable verwenden:<\/span><\/p>\n Wir k\u00f6nnen die Koeffizienten aus dem Ergebnis verwenden, um die folgende angepasste logarithmische Regressionsgleichung zu schreiben:<\/span><\/p>\n y = 63,0686 \u2013 20,1987 * ln(x)<\/strong><\/span><\/p>\n Wir k\u00f6nnen diese Gleichung verwenden, um die Antwortvariable y<\/em> basierend auf dem Wert der Pr\u00e4diktorvariablen x<\/em> vorherzusagen. Wenn beispielsweise x<\/em> = 12, w\u00fcrden wir vorhersagen, dass y<\/em> 12,87<\/strong> betragen w\u00fcrde:<\/span><\/p>\n y = 63,0686 \u2013 20,1987 * ln(12) = 12,87<\/strong><\/span><\/p>\n Bonus:<\/strong> F\u00fchlen Sie sich frei, diesen Online-Rechner f\u00fcr die logarithmische Regression zu verwenden, um die logarithmische Regressionsgleichung f\u00fcr einen bestimmten Pr\u00e4diktor und eine bestimmte Antwortvariable automatisch zu berechnen.<\/span><\/p>\n Eine vollst\u00e4ndige Anleitung zur linearen Regression in Python<\/a> Bei der logarithmischen Regression handelt es sich um einen Regressionstyp, der zur Modellierung von Situationen verwendet wird, in denen sich Wachstum oder R\u00fcckgang zun\u00e4chst schnell beschleunigen und sich dann mit der Zeit verlangsamen. Die folgende Grafik zeigt beispielsweise ein Beispiel f\u00fcr einen logarithmischen Zerfall: F\u00fcr diese Art von Situation k\u00f6nnte die Beziehung zwischen einer Pr\u00e4diktorvariablen […]<\/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![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/expregexcel2.png\")
<\/p>\n\n
Schritt 1: Erstellen Sie die Daten<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nx = np. arange<\/span> (1, 16, 1)\ny = np. array<\/span> ([59, 50, 44, 38, 33, 28, 23, 20, 17, 15, 13, 12, 11, 10, 9.5])\n<\/strong><\/pre>\n Schritt 2: Visualisieren Sie die Daten<\/strong><\/h3>\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\nplt. scatter<\/span> (x,y)\nplt. show<\/span> ()<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logpython1.png\")
<\/p>\n Schritt 3: Passen Sie das logarithmische Regressionsmodell an<\/strong><\/span><\/h3>\n
#fit the model<\/span>\nfit = np. polyfit<\/span> (np. log<\/span> (x), y, 1)\n<\/strong>\n#view the output of the model<\/span>\nprint(fit)\n\n[-20.19869943 63.06859979]\n<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine exponentielle Regression in Python durch<\/a>
So f\u00fchren Sie eine logistische Regression in Python durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"