In deze tutorial wordt uitgelegd hoe u kubieke regressie uitvoert in Python.<\/span><\/p>\n Stel dat we het volgende panda’s DataFrame hebben dat twee variabelen bevat (x en y):<\/span><\/p>\n Als we een eenvoudig spreidingsdiagram van deze gegevens maken, kunnen we zien dat de relatie tussen de twee variabelen niet-lineair is:<\/span> <\/p>\n Naarmate de waarde van x toeneemt, neemt y toe tot een bepaald punt, neemt vervolgens af en neemt vervolgens weer toe.<\/span><\/p>\n Dit patroon met twee „curven“ in de plot is een indicatie van een kubieke relatie tussen de twee variabelen.<\/span><\/p>\n Dit betekent dat een kubisch regressiemodel een goede kandidaat is om de relatie tussen de twee variabelen te kwantificeren.<\/span><\/p>\n Om kubieke regressie uit te voeren, kunnen we een polynomiaal regressiemodel met graad 3 fitten met behulp van de numpy.polyfit()<\/a> functie<\/span> :<\/span> <\/p>\n We kunnen de aangepaste kubieke regressievergelijking verkrijgen door de modelco\u00ebffici\u00ebnten af te drukken:<\/span><\/p>\n De aangepaste kubieke regressievergelijking is:<\/span><\/p>\n y = 0,003302(x) 3<\/sup> \u2013 0,3214(x) 2<\/sup> + 9,832x \u2013 30,01<\/strong><\/span><\/p>\n We kunnen deze vergelijking gebruiken om de verwachte waarde van y te berekenen op basis van de waarde van x.<\/span><\/p>\n Als x bijvoorbeeld 30 is, dan is de verwachte waarde voor y 64,844:<\/span><\/p>\n y = 0,003302(30) 3<\/sup> \u2013 0,3214(30) 2<\/sup> + 9,832(30) \u2013 30,01 = 64,844<\/span><\/p>\n We kunnen ook een korte functie schrijven om het R-kwadraat van het model te verkrijgen, wat het deel van de variantie in de responsvariabele is dat kan worden verklaard door de voorspellende variabelen.<\/span><\/p>\n In dit voorbeeld is het R-kwadraat van het model 0,9632<\/strong> .<\/span><\/p>\n Dit betekent dat 96,32% van de variatie in de responsvariabele kan worden verklaard door de voorspellende variabele.<\/span><\/p>\n Omdat deze waarde zo hoog is, vertelt dit ons dat het kubieke regressiemodel de relatie tussen de twee variabelen goed kwantificeert.<\/span><\/p>\n Gerelateerd:<\/strong> Wat is een goede R-kwadraatwaarde?<\/a><\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in Python kunt uitvoeren:<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in Python<\/a> Kubieke regressie is een type regressie dat we kunnen gebruiken om de relatie tussen een voorspellende variabele en een responsvariabele te kwantificeren wanneer de relatie tussen de variabelen niet-lineair is. In deze tutorial wordt uitgelegd hoe u kubieke regressie uitvoert in Python. Voorbeeld: kubieke regressie in Python Stel dat we het volgende panda’s DataFrame hebben […]<\/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-3921","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: kubieke regressie in Python<\/span><\/strong><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' x<\/span> ': [6, 9, 12, 16, 22, 28, 33, 40, 47, 51, 55, 60],\n ' y<\/span> ': [14, 28, 50, 64, 67, 57, 55, 57, 68, 74, 88, 110]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n xy\n0 6 14\n1 9 28\n2 12 50\n3 16 64\n4 22 67\n5 28 57\n6 33 55\n7 40 57\n8 47 68\n9 51 74\n10 55 88\n11 60 110\n<\/strong><\/pre>\n import matplotlib. pyplot<\/span><\/span> as plt<\/span>\n\n#create scatterplot\n<\/span>plt. scatter<\/span> (df. x<\/span> , df. y<\/span> )<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/cubique1.jpg\")
<\/p>\n import<\/span> numpy as<\/span> np\n\n#fit cubic regression model\n<\/span>model = np. poly1d<\/span> (np. polyfit<\/span> (df. x<\/span> , df. y<\/span> , 3))<\/span>\n\n#add fitted cubic regression line to scatterplot\n<\/span>polyline = np. linspace<\/span> (1, 60, 50)\nplt. scatter<\/span> (df. x<\/span> , df. y<\/span> )\nplt. plot<\/span> (polyline, model(polyline))\n\n#add axis labels\n<\/span>plt. xlabel<\/span> (' x<\/span> ')\nplt. ylabel<\/span> (' y<\/span> ')\n\n#displayplot\n<\/span>plt. show<\/span> ()<\/strong> <\/pre>\n![\"kubieke](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/cubique2.jpg\")
<\/p>\n print<\/span> (model)\n\n 3 2\n0.003302x - 0.3214x + 9.832x - 32.01\n<\/strong><\/pre>\n #define function to calculate r-squared<\/span>\ndef<\/span> polyfit(x, y, degree):\n results = {}\n coeffs = np. polyfit<\/span> (x, y, degree)\n p = np. poly1d<\/span> (coeffs)\n #calculate r-squared<\/span>\n yhat = p(x)\n ybar = np. sum<\/span> (y)\/len(y)\n ssreg = np. sum<\/span> ((yhat-ybar) **<\/span> 2)\n sstot = np. sum<\/span> ((y - ybar) **<\/span> 2)\n results[' r_squared<\/span> '] = ssreg \/ sstot\n\n return<\/span> results\n\n#find r-squared of polynomial model with degree = 3\n<\/span>polyfit(df. x<\/span> , df. y<\/span> , 3)\n\n{'r_squared': 0.9632469890057967}\n<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe kwadratische regressie uit te voeren in Python<\/a>
Hoe polynomiale regressie uit te voeren in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"