<\/p>\n
Il criterio informativo bayesiano<\/strong> , spesso abbreviato BIC<\/strong> , \u00e8 una misura utilizzata per confrontare la bont\u00e0 dell’adattamento di diversi modelli di regressione.<\/span><\/p>\n In pratica, adattiamo pi\u00f9 modelli di regressione allo stesso set di dati e scegliamo il modello con il valore BIC pi\u00f9 basso come modello che meglio si adatta ai dati.<\/span><\/p>\n Utilizziamo la seguente formula per calcolare il BIC:<\/span><\/p>\n BIC:<\/strong> (RSS+log(n)d\u03c3\u0302 2<\/sup> ) \/ n<\/span><\/p>\n Oro:<\/span><\/p>\n Per calcolare il BIC di modelli di regressione multipli in Python, possiamo usare la funzione statsmodels.regression.linear_model.OLS()<\/strong> , che ha una propriet\u00e0 chiamata bic che ci dice il valore BIC per un dato modello.<\/span><\/p>\n L’esempio seguente mostra come utilizzare questa funzione per calcolare e interpretare BIC per vari modelli di regressione in Python.<\/span><\/p>\n Supponiamo di voler adattare due diversi modelli di regressione lineare multipla<\/a> utilizzando le variabili del set di dati mtcars<\/strong> .<\/span><\/p>\n Innanzitutto, caricheremo questo set di dati:<\/span><\/p>\n Successivamente, adatteremo i seguenti due modelli di regressione:<\/span><\/p>\n Il codice seguente mostra come adattare il primo modello e calcolare il BIC:<\/span><\/p>\n Il BIC di questo modello risulta essere 174.239<\/strong> .<\/span><\/p>\n Successivamente, adatteremo il secondo modello e calcoleremo il BIC:<\/span><\/p>\n Il BIC di questo modello risulta essere 166.565<\/strong> .<\/span><\/p>\n Poich\u00e9 il secondo modello ha un valore BIC inferiore, \u00e8 il modello pi\u00f9 adatto.<\/span><\/p>\n Una volta identificato questo modello come il migliore, possiamo procedere con l’adattamento del modello e analizzare i risultati, incluso il valore R quadrato e i coefficienti beta, per determinare l’esatta relazione tra l’insieme di variabili predittive e la variabile di risposta<\/a> .<\/span><\/p>\n Altri due parametri comunemente utilizzati per confrontare l’adattamento dei modelli di regressione sono l’AIC<\/strong> e l’R quadrato corretto<\/strong> .<\/span><\/p>\n I seguenti tutorial spiegano come calcolare ciascuna di queste metriche per i modelli di regressione in Python:<\/span><\/p>\n Come calcolare l’AIC dei modelli di regressione in Python<\/a> Il criterio informativo bayesiano , spesso abbreviato BIC , \u00e8 una misura utilizzata per confrontare la bont\u00e0 dell’adattamento di diversi modelli di regressione. In pratica, adattiamo pi\u00f9 modelli di regressione allo stesso set di dati e scegliamo il modello con il valore BIC pi\u00f9 basso come modello che meglio si adatta ai dati. Utilizziamo la […]<\/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
Esempio: calcolare il BIC dei modelli di regressione in Python<\/strong><\/span><\/h3>\n
from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nimport<\/span> pandas as<\/span> pd\n\n#define URL where dataset is located\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/mtcars.csv\"\n\n#read in data\n<\/span>data = pd. read_csv<\/span> (url)\n\n#view head of data\n<\/span>data. head<\/span> ()\n\n model mpg cyl disp hp drat wt qsec vs am gear carb\n0 Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4\n1 Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4\n2 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1\n3 Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1\n4 Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2\n<\/strong><\/pre>\n\n
#define response variable\n<\/span>y = data['mpg']\n\n#define predictor variables\n<\/span>x = data[['disp', 'qsec']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view BIC of model\n<\/span>print<\/span> (model. bic<\/span> )\n\n174.23905634994506<\/strong><\/span><\/pre>\n #define response variable\n<\/span>y = data['mpg']\n\n#define predictor variables\n<\/span>x = data[['disp', 'wt']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view BIC of model\n<\/span>print<\/span> (model. bic<\/span> )\n\n166.56499196301334<\/strong><\/span><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come calcolare l’R quadrato corretto in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"