{"id":3817,"date":"2023-07-15T09:21:43","date_gmt":"2023-07-15T09:21:43","guid":{"rendered":"https:\/\/statorials.org\/nl\/sklearn-regressiecoefficienten\/"},"modified":"2023-07-15T09:21:43","modified_gmt":"2023-07-15T09:21:43","slug":"sklearn-regressiecoefficienten","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/sklearn-regressiecoefficienten\/","title":{"rendered":"Hoe regressieco\u00ebffici\u00ebnten uit het scikit-learn-model te extraheren"},"content":{"rendered":"

<\/p>\n

\n

U kunt de volgende basissyntaxis gebruiken om regressieco\u00ebffici\u00ebnten te extraheren uit een regressiemodel dat is gebouwd met scikit-learn in Python:<\/span><\/p>\n

 p.d. DataFrame<\/span> ( zip<\/span> ( X.columns<\/span> , model.coef_<\/span> ))\n<\/span><\/span><\/strong><\/pre>\n
 Het volgende voorbeeld laat zien hoe u deze syntaxis in de praktijk kunt gebruiken.<\/span><\/p>\n
 Voorbeeld: extraheer regressieco\u00ebffici\u00ebnten uit het Scikit-Learn-model<\/strong><\/span><\/h2>\n
 Stel dat we het volgende panda’s DataFrame hebben dat informatie bevat over de bestudeerde uren, het aantal afgelegde voorbereidende examens en het eindexamencijfer behaald door 11 studenten in een klas:<\/span><\/p>\n
 import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' hours<\/span> ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4],\n                   ' exams<\/span> ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4],\n                   ' score<\/span> ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n    hours exam score\n0 1 1 76\n1 2 3 78\n2 2 3 85\n3 4 5 88\n4 2 2 72\n5 1 2 69\n6 5 1 94\n7 4 1 94\n8 2 0 88\n9 4 3 92\n10 4 4 90<\/span><\/span><\/strong><\/pre>\n
 We kunnen de volgende code gebruiken om een meervoudig lineair regressiemodel<\/a> in te passen, waarbij uren<\/strong> en examens<\/strong> als voorspellende variabelen en score<\/strong> als responsvariabele worden gebruikt:<\/span><\/p>\n
 from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\n\n#initiate linear regression model\n<\/span>model = LinearRegression()\n\n#define predictor and response variables\n<\/span>x, y = df[[' hours<\/span> ', ' exams<\/span> ']], df. score<\/span>\n\n#fit regression model\n<\/span>model. fit<\/span> (x,y)\n<\/span><\/span><\/strong><\/pre>\n
 We kunnen dan de volgende syntaxis gebruiken om de regressieco\u00ebffici\u00ebnten van uren<\/strong> en examens<\/strong> te extraheren:<\/span><\/p>\n
 #print regression coefficients\np.d. DataFrame<\/span> ( zip<\/span> ( X.columns<\/span> , model.coef_<\/span> ))\n\n            0 1\n0 hours 5.794521\n1 exams -1.157647\n<\/span><\/span><\/span><\/span><\/strong><\/pre>\n
 Uit het resultaat kunnen we de regressieco\u00ebffici\u00ebnten voor de twee voorspellende variabelen in het model zien:<\/span><\/p>\n