<\/p>\n
Het Akaike Information Criterion (AIC) is een maatstaf die wordt gebruikt om de fit van verschillende regressiemodellen te vergelijken.<\/span><\/p>\n Het wordt als volgt berekend:<\/span><\/p>\n AIC = 2K \u2013 2 ln<\/em> (L)<\/span><\/p>\n Goud:<\/span><\/p>\n AIC is ontworpen om het model te vinden dat de meeste variatie in de gegevens verklaart, terwijl modellen worden bestraft die een buitensporig aantal parameters gebruiken.<\/span><\/p>\n Nadat u meerdere regressiemodellen heeft ge\u00efnstalleerd, kunt u<\/span> de AIC-waarde van elk model vergelijken. Het model met de laagste AIC biedt de beste pasvorm.<\/span><\/p>\n Om de AIC van meerdere regressiemodellen in Python te berekenen, kunnen we de functie statsmodels.regression.linear_model.OLS()<\/strong> gebruiken, die een eigenschap heeft genaamd aic<\/strong> die ons de AIC-waarde voor een bepaald model vertelt.<\/span><\/p>\n In het volgende voorbeeld ziet u hoe u deze functie kunt gebruiken om AIC te berekenen en te interpreteren voor verschillende regressiemodellen in Python.<\/span><\/p>\n Laten we zeggen dat we twee verschillende meervoudige lineaire regressiemodellen<\/a> willen passen met behulp van variabelen uit de mtcars-<\/strong> dataset.<\/span><\/p>\n Eerst laden we deze dataset:<\/span><\/p>\n Dit zijn de voorspellende variabelen die we in elk model zullen gebruiken:<\/span><\/p>\n De volgende code laat zien hoe u het eerste model past en de AIC berekent:<\/span><\/p>\n De AIC van dit model blijkt 157.07<\/strong> te zijn.<\/span><\/p>\n Vervolgens passen we het tweede model aan en berekenen we de AIC:<\/span><\/p>\n De AIC van dit model blijkt 169,84<\/strong> te zijn.<\/span><\/p>\n Omdat het eerste model een lagere AIC-waarde heeft, is dit het best passende model.<\/span><\/p>\n Zodra we dit model als het beste hebben ge\u00efdentificeerd, kunnen we doorgaan met het aanpassen van het model en de resultaten analyseren, inclusief de R-kwadraatwaarde en b\u00e8taco\u00ebffici\u00ebnten, om de exacte relatie tussen de reeks voorspellende variabelen en deresponsvariabele<\/a> te bepalen.<\/span><\/p>\n Een complete gids voor lineaire regressie in Python<\/a> Het Akaike Information Criterion (AIC) is een maatstaf die wordt gebruikt om de fit van verschillende regressiemodellen te vergelijken. Het wordt als volgt berekend: AIC = 2K \u2013 2 ln (L) Goud: K: Het aantal modelparameters. De standaardwaarde van K is 2, dus een model met slechts \u00e9\u00e9n voorspellende variabele heeft een K-waarde van 2+1 […]<\/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-1751","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: bereken en interpreteer AIC 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', 'hp', 'wt', '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 AIC of model\n<\/span>print<\/span> (model. aic<\/span> )\n\n157.06960941462438<\/strong><\/span><\/pre>\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 AIC of model\n<\/span>print<\/span> (model. aic<\/span> )\n\n169.84184864154588<\/strong><\/span><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe het aangepaste R-kwadraat in Python te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"