<\/p>\n
Das Statsmodels-<\/a> Modul von Python bietet eine Vielzahl von Funktionen und Klassen, mit denen Sie verschiedene statistische Modelle anpassen k\u00f6nnen.<\/span><\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie eine logistische Regression<\/a> mithilfe von Statsmodels-Funktionen durchgef\u00fchrt wird.<\/span><\/p>\n Erstellen wir zun\u00e4chst einen Pandas-DataFrame, der drei Variablen enth\u00e4lt:<\/span><\/p>\n Wir werden ein logistisches Regressionsmodell anhand der Lernstunden und der Lernmethode anpassen, um vorherzusagen, ob ein Student eine bestimmte Pr\u00fcfung besteht oder nicht.<\/span><\/p>\n Der folgende Code zeigt, wie der Pandas DataFrame erstellt wird:<\/span><\/p>\n Als n\u00e4chstes passen wir das logistische Regressionsmodell mithilfe der Funktion logit()<\/strong> an:<\/span><\/p>\n Die Werte in der Spalte \u201ecoef\u201c<\/strong> der Ausgabe geben Auskunft \u00fcber die durchschnittliche \u00c4nderung der logarithmischen Wahrscheinlichkeit, die Pr\u00fcfung zu bestehen.<\/span><\/p>\n Zum Beispiel:<\/span><\/span><\/p>\n Die Werte in P>|z|<\/strong> Die Spalte stellt die p-Werte f\u00fcr jeden Koeffizienten dar.<\/span><\/p>\n Zum Beispiel:<\/span><\/p>\n Um die Qualit\u00e4t des logistischen Regressionsmodells zu beurteilen, k\u00f6nnen wir uns zwei Metriken in der Ausgabe ansehen:<\/span><\/p>\n 1. Spitzname R-Quadrat<\/strong><\/span><\/p>\n Dieser Wert kann als Ersatz f\u00fcr den R-Quadrat-Wert f\u00fcr ein lineares Regressionsmodell betrachtet werden.<\/span><\/p>\n Sie wird als Verh\u00e4ltnis der maximierten Log-Likelihood-Funktion vom Nullmodell zum vollst\u00e4ndigen Modell berechnet.<\/span><\/p>\n Dieser Wert kann zwischen 0 und 1 liegen, wobei h\u00f6here Werte auf eine bessere Modellanpassung hinweisen.<\/span><\/p>\n In diesem Beispiel betr\u00e4gt der Pseudo-R-Quadrat-Wert 0,1894<\/strong> , was recht niedrig ist. Dies zeigt uns, dass die Pr\u00e4diktorvariablen des Modells den Wert der Antwortvariablen nicht sehr gut vorhersagen k\u00f6nnen.<\/span><\/p>\n 2. LLR-p-Wert<\/strong><\/span><\/p>\n Dieser Wert kann als Ersatz f\u00fcr den p-Wert f\u00fcr den Gesamt-F-Wert<\/a> eines linearen Regressionsmodells betrachtet werden.<\/span><\/p>\n Liegt dieser Wert unter einem bestimmten Schwellenwert (zum Beispiel \u03b1 = 0,05), k\u00f6nnen wir daraus schlie\u00dfen, dass das Modell als Ganzes \u201en\u00fctzlich\u201c ist und die Werte der Antwortvariablen im Vergleich zu einem Modell ohne Vorhersagevariablen besser vorhersagen kann.<\/span><\/p>\n In diesem Beispiel betr\u00e4gt der p-Wert des LLR 0,07375<\/strong> . Abh\u00e4ngig vom gew\u00e4hlten Signifikanzniveau (z. B. 0,01, 0,05, 0,1) k\u00f6nnen wir zu dem Schluss kommen, dass das Modell als Ganzes n\u00fctzlich ist oder auch nicht.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in Python ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine lineare Regression in Python durch<\/a> Das Statsmodels- Modul von Python bietet eine Vielzahl von Funktionen und Klassen, mit denen Sie verschiedene statistische Modelle anpassen k\u00f6nnen. Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie eine logistische Regression mithilfe von Statsmodels-Funktionen durchgef\u00fchrt wird. Schritt 1: Erstellen Sie die Daten Erstellen wir zun\u00e4chst einen Pandas-DataFrame, der drei Variablen enth\u00e4lt: Studierte Stunden (Gesamtwert) Studienmethode (Methode A oder […]<\/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 Schritt 1: Erstellen Sie die Daten<\/strong><\/span><\/h2>\n
\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' result<\/span> ': [0, 1, 0, 0, 0, 0, 0, 1, 1, 0,\n 0, 1, 1, 1, 0, 1, 1, 1, 1, 1],\n ' hours<\/span> ': [1, 2, 2, 2, 3, 2, 5, 4, 3, 6,\n 5, 8, 8, 7, 6, 7, 5, 4, 8, 9],\n ' method<\/span> ': ['A', 'A', 'A', 'B', 'B', 'B', 'B',\n 'B', 'B', 'A', 'B', 'A', 'B', 'B',\n 'A', 'A', 'B', 'A', 'B', 'A']})\n\n#view first five rows of DataFrame\n<\/span>df. head<\/span> ()\n\n\tresult hours method\n0 0 1 A\n1 1 2 A\n2 0 2 A\n3 0 2 B\n4 0 3 B<\/strong><\/pre>\n Schritt 2: Passen Sie das logistische Regressionsmodell an<\/strong><\/span><\/h2>\n
import<\/span> statsmodels. formula<\/span> . api<\/span> as<\/span> smf\n\n#fit logistic regression model\n<\/span>model = smf. logit<\/span> (' result~hours+method<\/span> ', data=df). fit<\/span> ()\n\n#view model summary\n<\/span>print<\/span> ( model.summary<\/span> ())\n\nOptimization completed successfully.\n Current function value: 0.557786\n Iterations 5\n Logit Regression Results \n==================================================== ============================\nDept. Variable: result No. Observations: 20\nModel: Logit Df Residuals: 17\nMethod: MLE Df Model: 2\nDate: Mon, 22 Aug 2022 Pseudo R-squ.: 0.1894\nTime: 09:53:35 Log-Likelihood: -11.156\nconverged: True LL-Null: -13.763\nCovariance Type: nonrobust LLR p-value: 0.07375\n==================================================== ============================\n coef std err z P>|z| [0.025 0.975]\n-------------------------------------------------- -----------------------------\nIntercept -2.1569 1.416 -1.523 0.128 -4.932 0.618\nmethod[TB] 0.0875 1.051 0.083 0.934 -1.973 2.148\nhours 0.4909 0.245 2.002 0.045 0.010 0.972\n==================================================== ============================\n<\/strong><\/span><\/pre>\n\n
\n
Schritt 3: Bewerten Sie die Modellleistung<\/strong><\/span><\/h2>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine logarithmische Regression in Python durch<\/a>
So f\u00fchren Sie eine Quantilregression in Python durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"