Mit dieser Methode k\u00f6nnen wir die folgende Gleichung finden:<\/span><\/p>\n \u0177 = b 0<\/sub> + b 1<\/sub> x<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Diese Gleichung kann uns helfen, die Beziehung zwischen dem Pr\u00e4diktor und der Antwortvariablen zu verstehen, und sie kann verwendet werden, um den Wert einer Antwortvariablen anhand des Werts der Pr\u00e4diktorvariablen vorherzusagen.<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie eine OLS-Regression in Python durchgef\u00fchrt wird.<\/span><\/p>\n F\u00fcr dieses Beispiel erstellen wir einen Datensatz mit den folgenden zwei Variablen f\u00fcr 15 Sch\u00fcler:<\/span><\/p>\n Wir werden eine OLS-Regression durchf\u00fchren und dabei Stunden als Pr\u00e4diktorvariable und Pr\u00fcfungsergebnis als Antwortvariable verwenden.<\/span><\/p>\n Der folgende Code zeigt, wie dieser gef\u00e4lschte Datensatz in Pandas erstellt wird:<\/span><\/p>\n Als N\u00e4chstes k\u00f6nnen wir die Funktionen im Statistikmodellmodul<\/a> verwenden, um eine OLS-Regression durchzuf\u00fchren, wobei wir Stunden<\/strong> als Pr\u00e4diktorvariable und Score als Antwortvariable<\/strong> verwenden:<\/span><\/p>\n In der Spalte \u201ecoef\u201c<\/strong> k\u00f6nnen wir die Regressionskoeffizienten sehen und die folgende angepasste Regressionsgleichung schreiben:<\/span><\/p>\n Punktzahl = 65,334 + 1,9824*(Stunden)<\/strong><\/span><\/p>\n Dies bedeutet, dass jede weitere gelernte Stunde mit einer durchschnittlichen Steigerung der Pr\u00fcfungspunktzahl um 1,9824<\/strong> Punkte verbunden ist.<\/span><\/p>\n Der urspr\u00fcngliche Wert von 65.334<\/strong> gibt uns die durchschnittlich erwartete Pr\u00fcfungspunktzahl f\u00fcr einen Studenten an, der null Stunden studiert.<\/span><\/p>\n Wir k\u00f6nnen diese Gleichung auch verwenden, um die erwartete Pr\u00fcfungspunktzahl basierend auf der Anzahl der Stunden, die ein Student studiert, zu ermitteln.<\/span><\/p>\n Beispielsweise sollte ein Student, der 10 Stunden lernt, eine Pr\u00fcfungspunktzahl von 85,158<\/strong> erreichen:<\/span><\/p>\n Punktzahl = 65,334 + 1,9824*(10) = 85,158<\/strong><\/span><\/p>\n So interpretieren Sie den Rest der Modellzusammenfassung:<\/span><\/p>\n Schlie\u00dflich k\u00f6nnen wir das Datenvisualisierungspaket matplotlib<\/strong> verwenden, um die an die tats\u00e4chlichen Datenpunkte angepasste Regressionslinie zu visualisieren:<\/span> <\/p>\n Die violetten Punkte stellen die tats\u00e4chlichen Datenpunkte dar und die blaue Linie stellt die angepasste Regressionslinie dar.<\/span><\/p>\n Wir haben auch die Funktion plt.text()<\/strong> verwendet, um die angepasste Regressionsgleichung in der oberen linken Ecke des Diagramms hinzuzuf\u00fcgen.<\/span><\/p>\n Wenn man sich das Diagramm ansieht, scheint es, dass die angepasste Regressionslinie die Beziehung zwischen der Variablen \u201e Stunden<\/strong> \u201c und der Variable \u201e Score\u201c<\/strong> recht gut erfasst.<\/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 logistische Regression in Python durch<\/a> Die gew\u00f6hnliche Regression der kleinsten Quadrate (OLS) ist eine Methode, mit der wir eine Linie finden k\u00f6nnen, die die Beziehung zwischen einer oder mehreren Pr\u00e4diktorvariablen und einer Antwortvariablen am besten beschreibt. Mit dieser Methode k\u00f6nnen wir die folgende Gleichung finden: \u0177 = b 0 + b 1 x Gold: \u0177 : Der gesch\u00e4tzte Antwortwert b […]<\/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: Erstellen Sie die Daten<\/b><\/span><\/h2>\n
\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' hours<\/span> ': [1, 2, 4, 5, 5, 6, 6, 7, 8, 10, 11, 11, 12, 12, 14],\n ' score<\/span> ': [64, 66, 76, 73, 74, 81, 83, 82, 80, 88, 84, 82, 91, 93, 89]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n hours score\n0 1 64\n1 2 66\n2 4 76\n3 5 73\n4 5 74\n5 6 81\n6 6 83\n7 7 82\n8 8 80\n9 10 88\n10 11 84\n11 11 82\n12 12 91\n13 12 93\n14 14 89<\/strong><\/pre>\n Schritt 2: F\u00fchren Sie eine OLS-Regression durch<\/b><\/span><\/h2>\n
import<\/span> statsmodels.api as<\/span> sm\n<\/span>\n#define predictor and response variables\ny = df[' score<\/span> ']\nx = df[' hours<\/span> ']<\/span>\n\n#add constant to predictor variables\nx = sm. add_constant<\/span> (x)\n<\/span>\n#fit linear regression model\nmodel = sm. OLS<\/span> (y,x). fit<\/span> ()\n<\/span>\n#view model summary\nprint<\/span> ( model.summary<\/span> ())\n\n OLS Regression Results \n==================================================== ============================\nDept. Variable: R-squared score: 0.831\nModel: OLS Adj. R-squared: 0.818\nMethod: Least Squares F-statistic: 63.91\nDate: Fri, 26 Aug 2022 Prob (F-statistic): 2.25e-06\nTime: 10:42:24 Log-Likelihood: -39,594\nNo. Observations: 15 AIC: 83.19\nDf Residuals: 13 BIC: 84.60\nModel: 1 \nCovariance Type: non-robust \n==================================================== ============================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 65.3340 2.106 31.023 0.000 60.784 69.884\nhours 1.9824 0.248 7.995 0.000 1.447 2.518\n==================================================== ============================\nOmnibus: 4,351 Durbin-Watson: 1,677\nProb(Omnibus): 0.114 Jarque-Bera (JB): 1.329\nSkew: 0.092 Prob(JB): 0.515\nKurtosis: 1.554 Cond. No. 19.2\n==================================================== ============================<\/span><\/span><\/strong><\/pre>\n\n
Schritt 3: Visualisieren Sie die am besten passende Linie<\/strong><\/span><\/h2>\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/span>\n#find line of best fit\na, b = np. polyfit<\/span> (df[' hours<\/span> '], df[' score<\/span> '], 1<\/span> )\n<\/span>\n#add points to plot\nplt. scatter<\/span> (df[' hours<\/span> '], df[' score<\/span> '], color=' purple<\/span> ')\n<\/span>\n#add line of best fit to plot\nplt. plot<\/span> (df[' hours<\/span> '], a*df[' hours<\/span> ']+b)\n<\/span>\n#add fitted regression equation to plot\nplt. text<\/span> ( 1<\/span> , 90<\/span> , 'y = ' + '{:.3f}'.format(b) + ' + {:.3f}'.format(a) + 'x', size= 12<\/span> )\n\n#add axis labels\n<\/span>plt. xlabel<\/span> (' Hours Studied<\/span> ')\nplt. ylabel<\/span> (' Exam Score<\/span> ')\n<\/span><\/span><\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ligne11.jpg\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So f\u00fchren Sie eine exponentielle Regression in Python durch<\/a>
So berechnen Sie den AIC von Regressionsmodellen in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"