<\/p>\n
Anda dapat menggunakan sintaks dasar berikut untuk menggunakan penyesuaian model regresi menggunakan modul statsmodels<\/a> dengan Python untuk membuat prediksi tentang observasi baru:<\/span><\/p>\n Sintaks khusus ini akan menghitung nilai respons yang diprediksi untuk setiap baris DataFrame baru yang disebut df_new<\/strong> , menggunakan model regresi yang sesuai untuk model statistik yang disebut model<\/strong> .<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan sintaksis ini dalam praktiknya.<\/span><\/p>\n Misalkan kita memiliki pandas DataFrame berikut yang berisi informasi tentang jam belajar, ujian persiapan yang diambil, dan nilai akhir yang diterima siswa di kelas tertentu:<\/span><\/p>\n Kita dapat menggunakan fungsi OLS()<\/strong> dari modul statsmodels agar sesuai dengan model regresi linier berganda<\/a> , menggunakan “jam” dan “ujian” sebagai variabel prediktor dan “skor” sebagai variabel respons:<\/span><\/p>\n Dari kolom koefisien<\/strong> pada output, kita dapat menulis model regresi yang sesuai:<\/span><\/p>\n Skor = 71.4048 + 5.1275 (jam) \u2013 1.2121 (ujian)<\/span><\/p>\n Sekarang misalkan kita ingin menggunakan model regresi yang sesuai untuk memprediksi \u201cskor\u201d lima siswa baru.<\/span><\/p>\n Pertama, mari buat DataFrame untuk menampung lima observasi baru:<\/span><\/p>\n Selanjutnya, kita dapat menggunakan fungsi prediksi()<\/strong> untuk memprediksi “skor” untuk masing-masing siswa ini, menggunakan “jam” dan “ujian” sebagai nilai untuk variabel prediktor dalam model regresi yang kami sesuaikan:<\/span><\/span><\/p>\n Berikut cara menafsirkan hasilnya:<\/span><\/p>\n Dan seterusnya.<\/span><\/p>\n Untuk memahami cara penghitungan prediksi ini, kita perlu mengacu pada model regresi sebelumnya:<\/span><\/p>\n Skor = 71.4048 + 5.1275 (jam) \u2013 1.2121 (ujian)<\/span><\/p>\n Dengan memasukkan nilai \u201cjam\u201d dan \u201cujian\u201d bagi siswa baru, kita dapat menghitung prediksi skornya.<\/span><\/p>\n Misalnya, siswa pertama di DataFrame baru memiliki nilai 1<\/strong> untuk jam dan nilai 1<\/strong> untuk ujian.<\/span><\/p>\n Jadi, skor prediksi mereka dihitung sebagai berikut:<\/span><\/p>\n Skor = 71,4048 + 5,1275(1) \u2013 1,2121(1) = 75,32<\/strong> .<\/span><\/p>\n Skor setiap siswa di DataFrame baru dihitung dengan cara yang sama.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya dengan Python:<\/span><\/p>\n Cara Melakukan Regresi Logistik dengan Python<\/a> Anda dapat menggunakan sintaks dasar berikut untuk menggunakan penyesuaian model regresi menggunakan modul statsmodels dengan Python untuk membuat prediksi tentang observasi baru: model. predict (df_new) Sintaks khusus ini akan menghitung nilai respons yang diprediksi untuk setiap baris DataFrame baru yang disebut df_new , menggunakan model regresi yang sesuai untuk model statistik yang disebut model . […]<\/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 model. predict<\/span> (df_new)\n<\/strong><\/pre>\n Contoh: Membuat prediksi menggunakan model regresi di Statsmodels<\/strong><\/span><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' hours<\/span> ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4, 3, 6],\n ' exams<\/span> ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4, 3, 2],\n ' score<\/span> ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90, 75, 96]})\n\n#view head of DataFrame\n<\/span>df. head<\/span> ()\n\n\thours exam score\n0 1 1 76\n1 2 3 78\n2 2 3 85\n3 4 5 88\n4 2 2 72<\/strong><\/pre>\n import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define predictor and response variables\n<\/span>y = df[' score<\/span> ']\nx = df[[' hours<\/span> ', ' exams<\/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: R-squared score: 0.718\nModel: OLS Adj. R-squared: 0.661\nMethod: Least Squares F-statistic: 12.70\nDate: Fri, 05 Aug 2022 Prob (F-statistic): 0.00180\nTime: 09:24:38 Log-Likelihood: -38.618\nNo. Observations: 13 AIC: 83.24\nDf Residuals: 10 BIC: 84.93\nDf Model: 2 \nCovariance Type: non-robust \n==================================================== ============================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 71.4048 4.001 17.847 0.000 62.490 80.319\nhours 5.1275 1.018 5.038 0.001 2.860 7.395\nexams -1.2121 1.147 -1.057 0.315 -3.768 1.344\n==================================================== ============================\nOmnibus: 1,103 Durbin-Watson: 1,248\nProb(Omnibus): 0.576 Jarque-Bera (JB): 0.803\nSkew: -0.289 Prob(JB): 0.669\nKurtosis: 1.928 Cond. No. 11.7\n==================================================== ============================\n<\/strong><\/pre>\n #create new DataFrame\ndf_new = pd. DataFrame<\/span> ({' hours<\/span> ': [1, 2, 2, 4, 5],\n ' exams<\/span> ': [1, 1, 4, 3, 3]})<\/span>\n\n#add column for constant\ndf_new = sm. add_constant<\/span> (df_new)\n<\/span>\n#view new DataFrame\nprint<\/span> (df_new)\n\n const hours exams\n0 1.0 1 1\n1 1.0 2 1\n2 1.0 2 4\n3 1.0 4 3\n4 1.0 5 3<\/span><\/span><\/strong><\/pre>\n #predict scores for the five new students<\/span>\nmodel. predict<\/span> (df_new)\n\n0 75.320242\n1 80.447734\n2 76.811480\n3 88.278550\n4 93.406042\ndtype:float64\n<\/strong><\/pre>\n\n
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara menghitung AIC model regresi dengan Python<\/a>
Cara menghitung R-kuadrat yang disesuaikan dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"