{"id":3009,"date":"2023-07-19T15:56:18","date_gmt":"2023-07-19T15:56:18","guid":{"rendered":"https:\/\/statorials.org\/de\/zusammenfassung-der-linearen-regression-von-sklearn\/"},"modified":"2023-07-19T15:56:18","modified_gmt":"2023-07-19T15:56:18","slug":"zusammenfassung-der-linearen-regression-von-sklearn","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/zusammenfassung-der-linearen-regression-von-sklearn\/","title":{"rendered":"So erhalten sie eine zusammenfassung des regressionsmodells von scikit-learn"},"content":{"rendered":"

<\/p>\n

\n

H\u00e4ufig m\u00f6chten Sie m\u00f6glicherweise eine Zusammenfassung eines Regressionsmodells extrahieren, das mit scikit-learn<\/a> in Python erstellt wurde.<\/span><\/p>\n

Leider bietet scikit-learn nicht viele integrierte Funktionen zur Analyse der Zusammenfassung eines Regressionsmodells, da es im Allgemeinen nur f\u00fcrVorhersagezwecke<\/a> verwendet wird.<\/span><\/p>\n

Wenn Sie also eine Zusammenfassung eines Regressionsmodells in Python erhalten m\u00f6chten, haben Sie zwei M\u00f6glichkeiten:<\/span><\/p>\n

1.<\/strong> Nutzen Sie die eingeschr\u00e4nkten Funktionen von scikit-learn.<\/span><\/p>\n

2.<\/strong> Verwenden Sie stattdessen statistische Modelle<\/a> .<\/span><\/p>\n

Die folgenden Beispiele zeigen, wie jede Methode in der Praxis mit dem folgenden Pandas DataFrame verwendet wird:<\/span><\/p>\n

 import<\/span> pandas as<\/span> pd\n\n#createDataFrame\ndf = pd. DataFrame<\/span> ({' x1<\/span> ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4],\n                   ' x2<\/span> ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4],\n                   ' y<\/span> ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90]})\n\n#view first five rows of DataFrame\n<\/span>df. head<\/span> ()\n\n       x1 x2 y\n0 1 1 76\n1 2 3 78\n2 2 3 85\n3 4 5 88\n4 2 2 72\n<\/span><\/span><\/strong><\/pre>\n
 Methode 1: Holen Sie sich die Zusammenfassung des Regressionsmodells von Scikit-Learn<\/strong><\/span><\/h3>\n
 Wir k\u00f6nnen den folgenden Code verwenden, um mit scikit-learn ein multiples lineares Regressionsmodell<\/a> anzupassen:<\/span><\/p>\n
 from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\n\n#initiate linear regression model\n<\/span>model = LinearRegression()\n\n#define predictor and response variables\n<\/span>x, y = df[[' x1<\/span> ', ' x2<\/span> ']], df. y<\/span>\n\n#fit regression model\n<\/span>model. fit<\/span> (x,y)\n<\/span><\/span><\/strong><\/pre>\n
 #display regression coefficients and R-squared value of model<\/span>\nprint<\/span> (model. intercept_<\/span> , model. coef_<\/span> , model. score<\/span> (X, y))\n\n70.4828205704 [5.7945 -1.1576] 0.766742556527\n<\/span><\/span><\/strong><\/pre>\n
 Mit dieser Ausgabe k\u00f6nnen wir die Gleichung f\u00fcr das angepasste Regressionsmodell schreiben:<\/span><\/p>\n
 y = 70,48 + 5,79x 1<\/sub> \u2013 1,16x 2<\/sub><\/span><\/p>\n
 Es ist auch ersichtlich, dass der R 2<\/sup> -Wert des Modells 76,67 betr\u00e4gt.<\/span><\/p>\n
 Dies bedeutet, dass 76,67 %<\/strong> der Variation der Antwortvariablen durch die beiden Pr\u00e4diktorvariablen im Modell erkl\u00e4rt werden k\u00f6nnen.<\/span><\/p>\n
 Methode 2: Zusammenfassung des Regressionsmodells von Statsmodels abrufen<\/strong><\/span><\/h3>\n
 Wenn Sie eine Zusammenfassung eines Regressionsmodells in Python extrahieren m\u00f6chten, verwenden Sie am besten das Paket statsmodels<\/strong> .<\/span><\/p>\n
 Der folgende Code zeigt, wie Sie dieses Paket verwenden, um dasselbe multiple lineare Regressionsmodell wie im vorherigen Beispiel anzupassen und die Modellzusammenfassung zu extrahieren:<\/span><\/p>\n
 import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define response variable\n<\/span>y = df[' y<\/span> ']\n\n#define predictor variables\n<\/span>x = df[[' x1<\/span> ', ' x2<\/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: y R-squared: 0.767\nModel: OLS Adj. R-squared: 0.708\nMethod: Least Squares F-statistic: 13.15\nDate: Fri, 01 Apr 2022 Prob (F-statistic): 0.00296\nTime: 11:10:16 Log-Likelihood: -31.191\nNo. Comments: 11 AIC: 68.38\nDf Residuals: 8 BIC: 69.57\nDf Model: 2                                         \nCovariance Type: non-robust                                         \n==================================================== ============================\n                 coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 70.4828 3.749 18.803 0.000 61.839 79.127\nx1 5.7945 1.132 5.120 0.001 3.185 8.404\nx2 -1.1576 1.065 -1.087 0.309 -3.613 1.298\n==================================================== ============================\nOmnibus: 0.198 Durbin-Watson: 1.240\nProb(Omnibus): 0.906 Jarque-Bera (JB): 0.296\nSkew: -0.242 Prob(JB): 0.862\nKurtosis: 2.359 Cond. No. 10.7\n==================================================== ============================\n<\/strong><\/span><\/pre>\n
 Beachten Sie, dass die Regressionskoeffizienten und der R-Quadrat-Wert mit denen \u00fcbereinstimmen, die von scikit-learn berechnet wurden, aber wir haben auch eine Menge anderer n\u00fctzlicher Metriken f\u00fcr das Regressionsmodell.<\/span><\/p>\n
 Wir k\u00f6nnen beispielsweise die p-Werte f\u00fcr jede einzelne Pr\u00e4diktorvariable sehen:<\/span><\/p>\n
 Obwohl dieses Ergebnis n\u00fctzlich ist, kennen wir immer noch nicht die Gesamt-F-Statistik<\/a> des Modells, die p-Werte der einzelnen Regressionskoeffizienten<\/a> und andere n\u00fctzliche Ma\u00dfe, die uns helfen k\u00f6nnen zu verstehen, wie gut das Modell zum Modell passt. dataset.dataset.<\/span><\/p>\n
 Anschlie\u00dfend k\u00f6nnen wir den folgenden Code verwenden, um die Regressionskoeffizienten aus dem Modell sowie den R-Quadrat-Wert<\/a> des Modells zu extrahieren:<\/span><\/span><\/p>\n