<\/p>\n
Un residuo<\/a> \u00e8 la differenza tra un valore osservato e un valore previsto in un modello di regressione.<\/span><\/p>\n Viene calcolato come segue:<\/span><\/p>\n Residuo = Valore osservato \u2013 Valore previsto<\/span><\/p>\n Un modo per capire quanto bene un modello di regressione si adatta a un set di dati \u00e8 calcolare la somma residua dei quadrati<\/strong> , che viene calcolata come segue:<\/span><\/p>\n Somma residua dei quadrati = \u03a3(e i<\/sub> ) 2<\/sup><\/span><\/p>\n Oro:<\/span><\/p>\n Pi\u00f9 basso \u00e8 il valore, migliore \u00e8 il modello che si adatta al set di dati.<\/span><\/p>\n Questo tutorial fornisce un esempio passo passo di come calcolare la somma residua dei quadrati per un modello di regressione in Python.<\/span><\/p>\n In questo esempio inseriremo i dati relativi al numero di ore trascorse a studiare, al numero totale di esami preparatori sostenuti e ai risultati degli esami ottenuti da 14 studenti diversi:<\/span><\/p>\n Successivamente, utilizzeremo la<\/span> funzione OLS()<\/a> della libreria statsmodels per eseguire una regressione ordinaria dei minimi quadrati, utilizzando “ore” ed “esami” come variabili predittive e “punteggio” come variabile di risposta:<\/span><\/p>\n Possiamo utilizzare il seguente codice per calcolare la somma residua dei quadrati del modello:<\/span><\/p>\n La somma residua dei quadrati risulta essere 293.256<\/strong> .<\/span><\/p>\n Come eseguire una semplice regressione lineare in Python<\/a> Un residuo \u00e8 la differenza tra un valore osservato e un valore previsto in un modello di regressione. Viene calcolato come segue: Residuo = Valore osservato \u2013 Valore previsto Un modo per capire quanto bene un modello di regressione si adatta a un set di dati \u00e8 calcolare la somma residua dei quadrati , che […]<\/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
Passaggio 1: inserisci i dati<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' hours<\/span> ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4, 3, 6, 5],\n ' exams<\/span> ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4, 3, 2, 4],\n ' score<\/span> ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90, 75, 96, 90]})\n<\/strong><\/pre>\n Passaggio 2: adattare il modello di regressione<\/strong><\/span><\/h3>\n
import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define response variable\n<\/span>y = df[' score<\/span> ']\n\n#define predictor variables\n<\/span>x = 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: 0.722\nModel: OLS Adj. R-squared: 0.671\nMethod: Least Squares F-statistic: 14.27\nDate: Sat, 02 Jan 2021 Prob (F-statistic): 0.000878\nTime: 15:58:35 Log-Likelihood: -41.159\nNo. Comments: 14 AIC: 88.32\nDf Residuals: 11 BIC: 90.24\nModel: 2 \nCovariance Type: non-robust \n==================================================== ============================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 71.8144 3.680 19.517 0.000 63.716 79.913\nhours 5.0318 0.942 5.339 0.000 2.958 7.106\nexams -1.3186 1.063 -1.240 0.241 -3.658 1.021\n==================================================== ============================\nOmnibus: 0.976 Durbin-Watson: 1.270\nProb(Omnibus): 0.614 Jarque-Bera (JB): 0.757\nSkew: -0.245 Prob(JB): 0.685\nKurtosis: 1.971 Cond. No. 12.1\n==================================================== ============================\n<\/strong><\/span><\/pre>\n Passaggio 3: calcolare la somma residua dei quadrati<\/strong><\/span><\/h3>\n
print<\/span> ( model.ssr<\/span> )\n\n293.25612951525414\n<\/strong><\/span><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire regressioni lineari multiple in Python<\/a>
Calcolatore della somma residua dei quadrati<\/p>\n","protected":false},"excerpt":{"rendered":"