<\/p>\n
Il modulo statsmodels<\/a> di Python offre una variet\u00e0 di funzioni e classi che consentono di adattare vari modelli statistici.<\/span><\/span><\/p>\n Il seguente esempio passo passo mostra come eseguire la regressione logistica<\/a> utilizzando le funzioni statsmodels.<\/span><\/p>\n Innanzitutto, creiamo un DataFrame panda che contenga tre variabili:<\/span><\/p>\n Adatteremo un modello di regressione logistica utilizzando le ore studiate e il metodo di studio per prevedere se uno studente supera o meno un determinato esame.<\/span><\/p>\n Il codice seguente mostra come creare il DataFrame panda:<\/span><\/p>\n Successivamente, adatteremo il modello di regressione logistica utilizzando la funzione logit()<\/strong> :<\/span><\/p>\n I valori nella colonna coef<\/strong> dell’output ci dicono la variazione media delle probabilit\u00e0 log di superare l’esame.<\/span><\/p>\n Per esempio:<\/span><\/span><\/p>\n I valori in P>|z|<\/strong> La colonna rappresenta i valori p per ciascun coefficiente.<\/span><\/p>\n Per esempio:<\/span><\/p>\n Per valutare la qualit\u00e0 del modello di regressione logistica, possiamo esaminare due parametri nell’output:<\/span><\/p>\n 1. Soprannome R-quadrato<\/strong><\/span><\/p>\n Questo valore pu\u00f2 essere considerato un sostituto del valore R quadrato per un modello di regressione lineare.<\/span><\/p>\n Viene calcolato come il rapporto tra la funzione di verosimiglianza massimizzata dal modello nullo al modello completo.<\/span><\/p>\n Questo valore pu\u00f2 variare da 0 a 1, con valori pi\u00f9 alti che indicano un migliore adattamento del modello.<\/span><\/p>\n In questo esempio, il valore pseudo R quadrato \u00e8 0,1894<\/strong> , che \u00e8 piuttosto basso. Questo ci dice che le variabili predittive del modello non stanno facendo un ottimo lavoro nel prevedere il valore della variabile di risposta.<\/span><\/p>\n 2. Valore p LLR<\/strong><\/span><\/p>\n Questo valore pu\u00f2 essere considerato un sostituto del valore p per il valore F complessivo<\/a> di un modello di regressione lineare.<\/span><\/p>\n Se questo valore \u00e8 inferiore ad una certa soglia (ad esempio \u03b1 = 0,05), possiamo allora concludere che il modello nel suo complesso \u00e8 \u201cutile\u201d e pu\u00f2 predire meglio i valori della variabile di risposta rispetto ad un modello privo di variabili predittive.<\/span><\/p>\n In questo esempio, il valore p dell’LLR \u00e8 0,07375<\/strong> . A seconda del livello di significativit\u00e0 scelto (ad esempio 0,01, 0,05, 0,1), possiamo o meno concludere che il modello nel suo complesso sia utile.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in Python:<\/span><\/p>\n Come eseguire la regressione lineare in Python<\/a> Il modulo statsmodels di Python offre una variet\u00e0 di funzioni e classi che consentono di adattare vari modelli statistici. Il seguente esempio passo passo mostra come eseguire la regressione logistica utilizzando le funzioni statsmodels. Passaggio 1: creare i dati Innanzitutto, creiamo un DataFrame panda che contenga tre variabili: Ore studiate (valore intero) Metodo di studio […]<\/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 Passaggio 1: creare i dati<\/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 Passaggio 2: adattare il modello di regressione logistica<\/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
Passaggio 3: valutare le prestazioni del modello<\/strong><\/span><\/h2>\n
Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire la regressione logaritmica in Python<\/a>
Come eseguire la regressione quantile in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"