Come estrarre i coefficienti di regressione dal modello scikit-learn

È possibile utilizzare la seguente sintassi di base per estrarre i coefficienti di regressione da un modello di regressione creato con scikit-learn in Python:

 p.d. DataFrame ( zip ( X.columns , model.coef_ ))

L’esempio seguente mostra come utilizzare questa sintassi nella pratica.

Esempio: estrarre i coefficienti di regressione dal modello Scikit-Learn

Supponiamo di avere il seguente DataFrame panda che contiene informazioni sulle ore studiate, sul numero di esami preparatori sostenuti e sul voto dell’esame finale ottenuto da 11 studenti in una classe:

 import pandas as pd

#createDataFrame
df = pd. DataFrame ({' hours ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4],
                   ' exams ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4],
                   ' score ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90]})

#view DataFrame
print (df)

    hours exam score
0 1 1 76
1 2 3 78
2 2 3 85
3 4 5 88
4 2 2 72
5 1 2 69
6 5 1 94
7 4 1 94
8 2 0 88
9 4 3 92
10 4 4 90

Possiamo utilizzare il seguente codice per adattare un modello di regressione lineare multipla utilizzando ore ed esami come variabili predittive e punteggio come variabile di risposta:

 from sklearn. linear_model import LinearRegression

#initiate linear regression model
model = LinearRegression()

#define predictor and response variables
x, y = df[[' hours ', ' exams ']], df. score

#fit regression model
model. fit (x,y)

Possiamo quindi utilizzare la seguente sintassi per estrarre i coefficienti di regressione delle ore e degli esami :

 #print regression coefficients
p.d. DataFrame ( zip ( X.columns , model.coef_ ))

            0 1
0 hours 5.794521
1 exams -1.157647

Dal risultato, possiamo vedere i coefficienti di regressione per le due variabili predittive nel modello:

• Coefficiente per ore : 5,794521
• Coefficiente esami : -1.157647

Se vogliamo possiamo anche utilizzare la seguente sintassi per estrarre il valore originale dal modello di regressione:

 #print intercept value
print (model. intercept_ )

70.48282057040197

Utilizzando ciascuno di questi valori, possiamo scrivere l’equazione per il modello di regressione adattata:

Punteggio = 70.483 + 5.795 (ore) – 1.158 (esami)

Possiamo quindi utilizzare questa equazione per prevedere il voto dell’esame finale di uno studente in base al numero di ore trascorse a studiare e al numero di esami pratici sostenuti.

Ad esempio, uno studente che ha studiato 3 ore e ha sostenuto 2 esami preparatori dovrebbe ricevere un voto finale di 85,55 :

• Punteggio = 70.483 + 5.795 (ore) – 1.158 (esami)
• Punteggio = 70.483 + 5.795(3) – 1.158(2)
• Punteggio = 85,55

Correlato: Come interpretare i coefficienti di regressione

Risorse addizionali

I seguenti tutorial spiegano come eseguire altre operazioni comuni in Python:

Come eseguire una semplice regressione lineare in Python
Come eseguire regressioni lineari multiple in Python
Come calcolare l’AIC dei modelli di regressione in Python