<\/p>\n
Een residu<\/a> is het verschil tussen een waargenomen waarde en een voorspelde waarde in een regressiemodel.<\/span><\/p>\n Het wordt als volgt berekend:<\/span><\/p>\n Residueel = Waargenomen waarde \u2013 Voorspelde waarde<\/span><\/p>\n E\u00e9n manier om te begrijpen hoe goed een regressiemodel bij een dataset past, is door de resterende kwadratensom<\/strong> te berekenen, die als volgt wordt berekend:<\/span><\/p>\n Resterende kwadratensom = \u03a3(e i<\/sub> ) 2<\/sup><\/span><\/p>\n Goud:<\/span><\/p>\n Hoe lager de waarde, hoe beter het model bij een dataset past.<\/span><\/p>\n Deze tutorial biedt een stapsgewijs voorbeeld van hoe u de resterende kwadratensom voor een regressiemodel in Python kunt berekenen.<\/span><\/p>\n Voor dit voorbeeld voeren we gegevens in over het aantal studie-uren, het totaal aantal afgelegde voorbereidende examens en de examenresultaten behaald door 14 verschillende studenten:<\/span><\/p>\n Vervolgens zullen we de<\/span> functie OLS()<\/a> uit de statsmodels-bibliotheek gebruiken om een gewone regressie met de kleinste kwadraten uit te voeren, waarbij we ‚uren‘ en ‚examens‘ gebruiken als voorspellende variabelen en ’score‘ als de responsvariabele:<\/span><\/p>\n We kunnen de volgende code gebruiken om de resterende kwadratensom van het model te berekenen:<\/span><\/p>\n De resterende kwadratensom blijkt 293.256<\/strong> te zijn.<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in Python<\/a> Een residu is het verschil tussen een waargenomen waarde en een voorspelde waarde in een regressiemodel. Het wordt als volgt berekend: Residueel = Waargenomen waarde \u2013 Voorspelde waarde E\u00e9n manier om te begrijpen hoe goed een regressiemodel bij een dataset past, is door de resterende kwadratensom te berekenen, die als volgt wordt berekend: Resterende kwadratensom […]<\/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":[],"class_list":["post-1338","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Stap 1: Voer de gegevens in<\/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 Stap 2: Pas het regressiemodel aan<\/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 Stap 3: Bereken de resterende kwadratensom<\/strong><\/span><\/h3>\n
print<\/span> ( model.ssr<\/span> )\n\n293.25612951525414\n<\/strong><\/span><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe u meerdere lineaire regressies uitvoert in Python<\/a>
Residuele som van vierkantencalculator<\/p>\n","protected":false},"excerpt":{"rendered":"