<\/p>\n
De statsmodels-<\/a> module van Python biedt een verscheidenheid aan functies en klassen waarmee u verschillende statistische modellen kunt aanpassen.<\/span><\/span><\/p>\n In het volgende stapsgewijze voorbeeld ziet u hoe u logistieke regressie<\/a> kunt uitvoeren met behulp van statsmodels-functies.<\/span><\/p>\n Laten we eerst een Panda DataFrame maken dat drie variabelen bevat:<\/span><\/p>\n We passen een logistisch regressiemodel toe, waarbij we gebruik maken van het aantal gestudeerde uren en de studiemethode, om te voorspellen of een student wel of niet slaagt voor een bepaald examen.<\/span><\/p>\n De volgende code laat zien hoe u het Panda DataFrame maakt:<\/span><\/p>\n Vervolgens passen we het logistische regressiemodel aan met behulp van de logit()<\/strong> functie:<\/span><\/p>\n De waarden in de coef-<\/strong> kolom van de uitvoer vertellen ons de gemiddelde verandering in de logkansen om voor het examen te slagen.<\/span><\/p>\n Bijvoorbeeld:<\/span><\/span><\/p>\n De waarden in P>|z|<\/strong> De kolom vertegenwoordigt de p-waarden voor elke co\u00ebffici\u00ebnt.<\/span><\/p>\n Bijvoorbeeld:<\/span><\/p>\n Om de kwaliteit van het logistische regressiemodel te beoordelen, kunnen we naar twee statistieken in de uitvoer kijken:<\/span><\/p>\n 1. Bijnaam R-kwadraat<\/strong><\/span><\/p>\n Deze waarde kan worden beschouwd als een vervanging voor de R-kwadraatwaarde voor een lineair regressiemodel.<\/span><\/p>\n Het wordt berekend als de verhouding van de gemaximaliseerde log-waarschijnlijkheidsfunctie van het nulmodel tot het volledige model.<\/span><\/p>\n Deze waarde kan vari\u00ebren van 0 tot 1, waarbij hogere waarden wijzen op een betere pasvorm van het model.<\/span><\/p>\n In dit voorbeeld is de pseudo-R-kwadraatwaarde 0,1894<\/strong> , wat vrij laag is. Dit vertelt ons dat de voorspellende variabelen van het model de waarde van de responsvariabele niet erg goed voorspellen.<\/span><\/p>\n 2. LLR p-waarde<\/strong><\/span><\/p>\n Deze waarde kan worden beschouwd als een vervanging van de p-waarde voor de totale F-waarde<\/a> van een lineair regressiemodel.<\/span><\/p>\n Als deze waarde onder een bepaalde drempel ligt (bijvoorbeeld \u03b1 = 0,05), kunnen we dan concluderen dat het model als geheel \u2018bruikbaar\u2019 is en de waarden van de responsvariabele beter kan voorspellen vergeleken met een model zonder voorspellende variabelen.<\/span><\/p>\n In dit voorbeeld is de p-waarde van de LLR 0,07375<\/strong> . Afhankelijk van het significantieniveau dat we kiezen (bijvoorbeeld 0,01, 0,05, 0,1), kunnen we wel of niet concluderen dat het model als geheel bruikbaar is.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in Python kunt uitvoeren:<\/span><\/p>\n Hoe lineaire regressie uit te voeren in Python<\/a> De statsmodels- module van Python biedt een verscheidenheid aan functies en klassen waarmee u verschillende statistische modellen kunt aanpassen. In het volgende stapsgewijze voorbeeld ziet u hoe u logistieke regressie kunt uitvoeren met behulp van statsmodels-functies. Stap 1: Cre\u00eber de gegevens Laten we eerst een Panda DataFrame maken dat drie variabelen bevat: Gestudeerde uren (gehele […]<\/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-3527","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Cre\u00eber de gegevens<\/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 Stap 2: Pas het logistische regressiemodel aan<\/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
Stap 3: Evalueer de prestaties van het model<\/strong><\/span><\/h2>\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe logaritmische regressie uit te voeren in Python<\/a>
Hoe kwantielregressie uit te voeren in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"