Jak obliczyć pozostałą sumę kwadratów w pythonie

Reszta to różnica między wartością obserwowaną a wartością przewidywaną w modelu regresji.

Oblicza się go w następujący sposób:

Wartość rezydualna = Wartość obserwowana – Wartość przewidywana

Jednym ze sposobów sprawdzenia, jak dobrze model regresji pasuje do zbioru danych, jest obliczenie resztowej sumy kwadratów , którą oblicza się w następujący sposób:

Pozostała suma kwadratów = Σ(e _i ) ²

Złoto:

• Σ : Grecki symbol oznaczający „sumę”
• e _i : i- ^ta reszta

Im niższa wartość, tym lepiej model pasuje do zbioru danych.

W tym samouczku przedstawiono krok po kroku przykład obliczenia pozostałej sumy kwadratów dla modelu regresji w języku Python.

Krok 1: Wprowadź dane

W tym przykładzie wprowadzimy dane dotyczące liczby godzin spędzonych na nauce, łącznej liczby zdanych egzaminów przygotowawczych oraz wyników egzaminów uzyskanych przez 14 różnych studentów:

 import pandas as pd

#createDataFrame
df = pd. DataFrame ({' hours ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4, 3, 6, 5],
                   ' exams ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4, 3, 2, 4],
                   ' score ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90, 75, 96, 90]})

Krok 2: Dopasuj model regresji

Następnie użyjemy funkcji OLS() z biblioteki statsmodels do przeprowadzenia zwykłej regresji metodą najmniejszych kwadratów, używając „godzin” i „egzaminów” jako zmiennych predykcyjnych oraz „wyniku” jako zmiennej odpowiedzi:

 import statsmodels. api as sm

#define response variable
y = df[' score ']

#define predictor variables
x = df[[' hours ', ' exams ']]

#add constant to predictor variables
x = sm. add_constant (x)

#fit linear regression model
model = sm. OLS (y,x). fit ()

#view model summary
print ( model.summary ())

                            OLS Regression Results                            
==================================================== ============================
Dept. Variable: R-squared score: 0.722
Model: OLS Adj. R-squared: 0.671
Method: Least Squares F-statistic: 14.27
Date: Sat, 02 Jan 2021 Prob (F-statistic): 0.000878
Time: 15:58:35 Log-Likelihood: -41.159
No. Comments: 14 AIC: 88.32
Df Residuals: 11 BIC: 90.24
Model: 2                                         
Covariance Type: non-robust                                         
==================================================== ============================
                 coef std err t P>|t| [0.025 0.975]
-------------------------------------------------- ----------------------------
const 71.8144 3.680 19.517 0.000 63.716 79.913
hours 5.0318 0.942 5.339 0.000 2.958 7.106
exams -1.3186 1.063 -1.240 0.241 -3.658 1.021
==================================================== ============================
Omnibus: 0.976 Durbin-Watson: 1.270
Prob(Omnibus): 0.614 Jarque-Bera (JB): 0.757
Skew: -0.245 Prob(JB): 0.685
Kurtosis: 1.971 Cond. No. 12.1
==================================================== ============================

Krok 3: Oblicz pozostałą sumę kwadratów

Do obliczenia pozostałej sumy kwadratów modelu możemy użyć następującego kodu:

 print ( model.ssr )

293.25612951525414

Pozostała suma kwadratów wynosi 293 256 .

Dodatkowe zasoby

Jak wykonać prostą regresję liniową w Pythonie
Jak wykonać wielokrotną regresję liniową w Pythonie
Kalkulator pozostałej sumy kwadratów