<\/p>\n
Das Bayes’sche Informationskriterium<\/strong> , oft als BIC<\/strong> abgek\u00fcrzt, ist ein Ma\u00df zum Vergleich der Anpassungsg\u00fcte verschiedener Regressionsmodelle.<\/span><\/p>\n In der Praxis passen wir mehrere Regressionsmodelle an denselben Datensatz an und w\u00e4hlen das Modell mit dem niedrigsten BIC-Wert als das Modell aus, das am besten zu den Daten passt.<\/span><\/p>\n Zur Berechnung des BIC verwenden wir folgende Formel:<\/span><\/p>\n BIC:<\/strong> (RSS+log(n)d\u03c3\u0302 2<\/sup> ) \/ n<\/span><\/p>\n Gold:<\/span><\/p>\n Um den BIC mehrerer Regressionsmodelle in Python zu berechnen, k\u00f6nnen wir die Funktion statsmodels.regression.linear_model.OLS()<\/strong> verwenden, die \u00fcber eine Eigenschaft namens bic verf\u00fcgt, die uns den BIC-Wert f\u00fcr ein bestimmtes Modell angibt.<\/span><\/p>\n Das folgende Beispiel zeigt, wie diese Funktion zum Berechnen und Interpretieren des BIC f\u00fcr verschiedene Regressionsmodelle in Python verwendet wird.<\/span><\/p>\n Angenommen, wir m\u00f6chten zwei verschiedene multiple lineare Regressionsmodelle<\/a> mithilfe von Variablen aus dem mtcars-<\/strong> Datensatz anpassen.<\/span><\/p>\n Zuerst laden wir diesen Datensatz:<\/span><\/p>\n Als n\u00e4chstes passen wir die folgenden zwei Regressionsmodelle an:<\/span><\/p>\n Der folgende Code zeigt, wie das erste Modell angepasst und der BIC berechnet wird:<\/span><\/p>\n Der BIC dieses Modells betr\u00e4gt 174,239<\/strong> .<\/span><\/p>\n Als n\u00e4chstes passen wir das zweite Modell an und berechnen den BIC:<\/span><\/p>\n Der BIC dieses Modells betr\u00e4gt 166,565<\/strong> .<\/span><\/p>\n Da das zweite Modell einen niedrigeren BIC-Wert hat, ist es das am besten passende Modell.<\/span><\/p>\n Sobald wir dieses Modell als das beste identifiziert haben, k\u00f6nnen wir mit der Modellanpassung fortfahren und die Ergebnisse analysieren, einschlie\u00dflich des R-Quadrat-Werts und der Beta-Koeffizienten, um die genaue Beziehung zwischen dem Satz von Vorhersagevariablen und der Antwortvariablen<\/a> zu bestimmen.<\/span><\/p>\n Zwei weitere h\u00e4ufig verwendete Metriken zum Vergleich der Anpassung von Regressionsmodellen sind AIC<\/strong> und angepasstes R-Quadrat<\/strong> .<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie jede dieser Metriken f\u00fcr Regressionsmodelle in Python berechnen:<\/span><\/p>\n So berechnen Sie den AIC von Regressionsmodellen in Python<\/a> Das Bayes’sche Informationskriterium , oft als BIC abgek\u00fcrzt, ist ein Ma\u00df zum Vergleich der Anpassungsg\u00fcte verschiedener Regressionsmodelle. In der Praxis passen wir mehrere Regressionsmodelle an denselben Datensatz an und w\u00e4hlen das Modell mit dem niedrigsten BIC-Wert als das Modell aus, das am besten zu den Daten passt. Zur Berechnung des BIC verwenden wir folgende Formel: […]<\/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
Beispiel: Berechnen Sie den BIC von Regressionsmodellen in Python<\/strong><\/span><\/h3>\n
from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nimport<\/span> pandas as<\/span> pd\n\n#define URL where dataset is located\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/mtcars.csv\"\n\n#read in data\n<\/span>data = pd. read_csv<\/span> (url)\n\n#view head of data\n<\/span>data. head<\/span> ()\n\n model mpg cyl disp hp drat wt qsec vs am gear carb\n0 Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4\n1 Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4\n2 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1\n3 Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1\n4 Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2\n<\/strong><\/pre>\n\n
#define response variable\n<\/span>y = data['mpg']\n\n#define predictor variables\n<\/span>x = data[['disp', 'qsec']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view BIC of model\n<\/span>print<\/span> (model. bic<\/span> )\n\n174.23905634994506<\/strong><\/span><\/pre>\n #define response variable\n<\/span>y = data['mpg']\n\n#define predictor variables\n<\/span>x = data[['disp', 'wt']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view BIC of model\n<\/span>print<\/span> (model. bic<\/span> )\n\n166.56499196301334<\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So berechnen Sie das angepasste R-Quadrat in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"