<\/p>\n
Modul statsmodels<\/a> Python menawarkan berbagai fungsi dan kelas yang memungkinkan Anda mengadaptasi berbagai model statistik.<\/span><\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi logistik<\/a> menggunakan fungsi statsmodels.<\/span><\/p>\n Pertama, mari kita buat pandas DataFrame yang berisi tiga variabel:<\/span><\/p>\n Kami akan menyesuaikan model regresi logistik menggunakan jam belajar dan metode belajar untuk memprediksi apakah seorang siswa lulus atau tidak dalam ujian tertentu.<\/span><\/p>\n Kode berikut menunjukkan cara membuat pandas DataFrame:<\/span><\/p>\n Selanjutnya, kita akan menyesuaikan model regresi logistik menggunakan fungsi logit()<\/strong> :<\/span><\/p>\n Nilai-nilai di kolom koefisien<\/strong> keluaran memberi tahu kita perubahan rata-rata dalam log peluang lulus ujian.<\/span><\/p>\n Misalnya:<\/span><\/span><\/p>\n Nilai dalam P>|z|<\/strong> Kolom tersebut mewakili nilai p untuk setiap koefisien.<\/span><\/p>\n Misalnya:<\/span><\/p>\n Untuk menilai kualitas model regresi logistik, kita dapat melihat dua metrik pada keluarannya:<\/span><\/p>\n 1. Nama panggilan R-kuadrat<\/strong><\/span><\/p>\n Nilai ini dapat dianggap sebagai pengganti nilai R-kuadrat untuk model regresi linier.<\/span><\/p>\n Ini dihitung sebagai rasio fungsi log-likelihood yang dimaksimalkan dari model nol ke model penuh.<\/span><\/p>\n Nilai ini dapat berkisar dari 0 hingga 1, dengan nilai yang lebih tinggi menunjukkan kesesuaian model yang lebih baik.<\/span><\/p>\n Dalam contoh ini, nilai pseudo R-squared adalah 0,1894<\/strong> , yang cukup rendah. Hal ini menunjukkan bahwa variabel prediktor model tidak berfungsi dengan baik dalam memprediksi nilai variabel respons.<\/span><\/p>\n 2. Nilai p LLR<\/strong><\/span><\/p>\n Nilai ini dapat dianggap sebagai pengganti nilai p untuk nilai F keseluruhan<\/a> model regresi linier.<\/span><\/p>\n Jika nilai ini berada di bawah ambang batas tertentu (misalnya \u03b1 = 0,05), maka kita dapat menyimpulkan bahwa model secara keseluruhan \u201cberguna\u201d dan dapat memprediksi nilai variabel respon dengan lebih baik dibandingkan model tanpa variabel prediktif.<\/span><\/p>\n Dalam contoh ini, nilai p LLR adalah 0,07375<\/strong> . Tergantung pada tingkat signifikansi yang kita pilih (misalnya 0,01, 0,05, 0,1), kita mungkin dapat menyimpulkan bahwa model secara keseluruhan berguna atau tidak.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya dengan Python:<\/span><\/p>\n Cara melakukan regresi linier dengan Python<\/a> Modul statsmodels Python menawarkan berbagai fungsi dan kelas yang memungkinkan Anda mengadaptasi berbagai model statistik. Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi logistik menggunakan fungsi statsmodels. Langkah 1: Buat datanya Pertama, mari kita buat pandas DataFrame yang berisi tiga variabel: Jam belajar (seluruh nilai) Metode belajar (metode A atau B) Hasil ujian (lulus […]<\/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 Langkah 1: Buat datanya<\/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 Langkah 2: Sesuaikan model regresi logistik<\/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
Langkah 3: Evaluasi kinerja model<\/strong><\/span><\/h2>\n
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi logaritma dengan Python<\/a>
Cara melakukan regresi kuantil dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"