Questo metodo ci permette di trovare la seguente equazione:<\/span><\/p>\n \u0177 = b 0<\/sub> + b 1<\/sub> x<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n Questa equazione pu\u00f2 aiutarci a comprendere la relazione tra il predittore e la variabile di risposta e pu\u00f2 essere utilizzata per prevedere il valore di una variabile di risposta dato il valore della variabile predittore.<\/span><\/p>\n Il seguente esempio passo passo mostra come eseguire la regressione OLS in Python.<\/span><\/p>\n Per questo esempio, creeremo un set di dati contenente le seguenti due variabili per 15 studenti:<\/span><\/p>\n Eseguiremo una regressione OLS, utilizzando le ore come variabile predittiva e il punteggio dell’esame come variabile di risposta.<\/span><\/p>\n Il codice seguente mostra come creare questo set di dati falso in panda:<\/span><\/p>\n Successivamente, possiamo utilizzare le funzioni nel modulo statsmodels<\/a> per eseguire una regressione OLS, utilizzando le ore<\/strong> come variabile predittrice e il punteggio come variabile di risposta<\/strong> :<\/span><\/p>\n Dalla colonna coef<\/strong> , possiamo vedere i coefficienti di regressione e scrivere la seguente equazione di regressione adattata:<\/span><\/p>\n Punteggio = 65.334 + 1.9824*(ore)<\/strong><\/span><\/p>\n Ci\u00f2 significa che ogni ora aggiuntiva studiata \u00e8 associata ad un aumento del punteggio medio dell’esame di 1,9824<\/strong> punti.<\/span><\/p>\n Il valore originale di 65.334<\/strong> ci dice il punteggio medio previsto per l’esame per uno studente che studia per zero ore.<\/span><\/p>\n Possiamo anche utilizzare questa equazione per trovare il punteggio atteso dell’esame in base al numero di ore di studio di uno studente.<\/span><\/p>\n Ad esempio, uno studente che studia per 10 ore dovrebbe ottenere un punteggio d’esame di 85.158<\/strong> :<\/span><\/p>\n Punteggio = 65.334 + 1.9824*(10) = 85.158<\/strong><\/span><\/p>\n Ecco come interpretare il resto del riepilogo del modello:<\/span><\/p>\n Infine, possiamo utilizzare il pacchetto di visualizzazione dati matplotlib<\/strong> per visualizzare la linea di regressione adattata ai punti dati effettivi:<\/span> <\/p>\n I punti viola rappresentano i punti dati effettivi e la linea blu rappresenta la linea di regressione adattata.<\/span><\/p>\n Abbiamo utilizzato anche la funzione plt.text()<\/strong> per aggiungere l’equazione di regressione adattata nell’angolo in alto a sinistra del grafico.<\/span><\/p>\n Osservando il grafico, sembra che la linea di regressione adattata catturi abbastanza bene la relazione tra la variabile ore<\/strong> e la variabile punteggio<\/strong> .<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre attivit\u00e0 comuni in Python:<\/span><\/p>\n Come eseguire la regressione logistica in Python<\/a> La regressione dei minimi quadrati ordinari (OLS) \u00e8 un metodo che ci consente di trovare una linea che meglio descrive la relazione tra una o pi\u00f9 variabili predittive e una variabile di risposta . Questo metodo ci permette di trovare la seguente equazione: \u0177 = b 0 + b 1 x Oro: \u0177 : il […]<\/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: creare i dati<\/b><\/span><\/h2>\n
\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' hours<\/span> ': [1, 2, 4, 5, 5, 6, 6, 7, 8, 10, 11, 11, 12, 12, 14],\n ' score<\/span> ': [64, 66, 76, 73, 74, 81, 83, 82, 80, 88, 84, 82, 91, 93, 89]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n hours score\n0 1 64\n1 2 66\n2 4 76\n3 5 73\n4 5 74\n5 6 81\n6 6 83\n7 7 82\n8 8 80\n9 10 88\n10 11 84\n11 11 82\n12 12 91\n13 12 93\n14 14 89<\/strong><\/pre>\n Passaggio 2: eseguire una regressione OLS<\/b><\/span><\/h2>\n
import<\/span> statsmodels.api as<\/span> sm\n<\/span>\n#define predictor and response variables\ny = df[' score<\/span> ']\nx = df[' hours<\/span> ']<\/span>\n\n#add constant to predictor variables\nx = sm. add_constant<\/span> (x)\n<\/span>\n#fit linear regression model\nmodel = sm. OLS<\/span> (y,x). fit<\/span> ()\n<\/span>\n#view model summary\nprint<\/span> ( model.summary<\/span> ())\n\n OLS Regression Results \n==================================================== ============================\nDept. Variable: R-squared score: 0.831\nModel: OLS Adj. R-squared: 0.818\nMethod: Least Squares F-statistic: 63.91\nDate: Fri, 26 Aug 2022 Prob (F-statistic): 2.25e-06\nTime: 10:42:24 Log-Likelihood: -39,594\nNo. Observations: 15 AIC: 83.19\nDf Residuals: 13 BIC: 84.60\nModel: 1 \nCovariance Type: non-robust \n==================================================== ============================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 65.3340 2.106 31.023 0.000 60.784 69.884\nhours 1.9824 0.248 7.995 0.000 1.447 2.518\n==================================================== ============================\nOmnibus: 4,351 Durbin-Watson: 1,677\nProb(Omnibus): 0.114 Jarque-Bera (JB): 1.329\nSkew: 0.092 Prob(JB): 0.515\nKurtosis: 1.554 Cond. No. 19.2\n==================================================== ============================<\/span><\/span><\/strong><\/pre>\n\n
Passaggio 3: Visualizza la linea pi\u00f9 adatta<\/strong><\/span><\/h2>\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/span>\n#find line of best fit\na, b = np. polyfit<\/span> (df[' hours<\/span> '], df[' score<\/span> '], 1<\/span> )\n<\/span>\n#add points to plot\nplt. scatter<\/span> (df[' hours<\/span> '], df[' score<\/span> '], color=' purple<\/span> ')\n<\/span>\n#add line of best fit to plot\nplt. plot<\/span> (df[' hours<\/span> '], a*df[' hours<\/span> ']+b)\n<\/span>\n#add fitted regression equation to plot\nplt. text<\/span> ( 1<\/span> , 90<\/span> , 'y = ' + '{:.3f}'.format(b) + ' + {:.3f}'.format(a) + 'x', size= 12<\/span> )\n\n#add axis labels\n<\/span>plt. xlabel<\/span> (' Hours Studied<\/span> ')\nplt. ylabel<\/span> (' Exam Score<\/span> ')\n<\/span><\/span><\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/ligne11.jpg\")
<\/p>\n Risorse addizionali<\/strong><\/span><\/h2>\n
Come eseguire la regressione esponenziale in Python<\/a>
Come calcolare l’AIC dei modelli di regressione in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"