{"id":3009,"date":"2023-07-19T15:56:18","date_gmt":"2023-07-19T15:56:18","guid":{"rendered":"https:\/\/statorials.org\/pl\/sklearn-podsumowanie-regresji-liniowej\/"},"modified":"2023-07-19T15:56:18","modified_gmt":"2023-07-19T15:56:18","slug":"sklearn-podsumowanie-regresji-liniowej","status":"publish","type":"post","link":"https:\/\/statorials.org\/pl\/sklearn-podsumowanie-regresji-liniowej\/","title":{"rendered":"Jak uzyska\u0107 podsumowanie modelu regresji z scikit-learn"},"content":{"rendered":"

<\/p>\n

\n

Cz\u0119sto mo\u017cesz chcie\u0107 wyodr\u0119bni\u0107 podsumowanie modelu regresji utworzonego za pomoc\u0105 scikit-learn<\/a> w Pythonie.<\/span><\/p>\n

Niestety, scikit-learn nie oferuje wielu wbudowanych funkcji do analizy podsumowania modelu regresji, poniewa\u017c jest zwykle u\u017cywany wy\u0142\u0105cznie do cel\u00f3w predykcyjnych<\/a> .<\/span><\/p>\n

Je\u015bli wi\u0119c chcesz uzyska\u0107 podsumowanie modelu regresji w Pythonie, masz dwie mo\u017cliwo\u015bci:<\/span><\/p>\n

1.<\/strong> Skorzystaj z ograniczonych funkcji scikit-learn.<\/span><\/p>\n

2.<\/strong> Zamiast tego u\u017cywaj modeli statystycznych<\/a> .<\/span><\/p>\n

Poni\u017csze przyk\u0142ady pokazuj\u0105, jak w praktyce u\u017cywa\u0107 ka\u017cdej metody z nast\u0119puj\u0105c\u0105 ramk\u0105 DataFrame pand:<\/span><\/p>\n

 import<\/span> pandas as<\/span> pd\n\n#createDataFrame\ndf = pd. DataFrame<\/span> ({' x1<\/span> ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4],\n                   ' x2<\/span> ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4],\n                   ' y<\/span> ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90]})\n\n#view first five rows of DataFrame\n<\/span>df. head<\/span> ()\n\n       x1 x2 y\n0 1 1 76\n1 2 3 78\n2 2 3 85\n3 4 5 88\n4 2 2 72\n<\/span><\/span><\/strong><\/pre>\n
 Metoda 1: Pobierz podsumowanie modelu regresji z Scikit-Learn<\/strong><\/span><\/h3>\n
 Mo\u017cemy u\u017cy\u0107 nast\u0119puj\u0105cego kodu, aby dopasowa\u0107 model regresji liniowej<\/a> za pomoc\u0105 scikit-learn:<\/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[[' x1<\/span> ', ' x2<\/span> ']], df. y<\/span>\n\n#fit regression model\n<\/span>model. fit<\/span> (x,y)\n<\/span><\/span><\/strong><\/pre>\n
 #display regression coefficients and R-squared value of model<\/span>\nprint<\/span> (model. intercept_<\/span> , model. coef_<\/span> , model. score<\/span> (X, y))\n\n70.4828205704 [5.7945 -1.1576] 0.766742556527\n<\/span><\/span><\/strong><\/pre>\n
 Korzystaj\u0105c z tego wyniku, mo\u017cemy zapisa\u0107 r\u00f3wnanie dopasowanego modelu regresji:<\/span><\/p>\n
 y = 70,48 + 5,79x 1<\/sub> \u2013 1,16x 2<\/sub><\/span><\/p>\n
 Mo\u017cna r\u00f3wnie\u017c zauwa\u017cy\u0107, \u017ce warto\u015b\u0107 R 2<\/sup> modelu wynosi 76,67.<\/span><\/p>\n
 Oznacza to, \u017ce 76,67%<\/strong> zmienno\u015bci zmiennej odpowiedzi mo\u017cna wyja\u015bni\u0107 dwiema zmiennymi predykcyjnymi w modelu.<\/span><\/p>\n
 Metoda 2: Uzyskaj podsumowanie modelu regresji ze Statsmodels<\/strong><\/span><\/h3>\n
 Je\u015bli chcesz wyodr\u0119bni\u0107 podsumowanie modelu regresji w Pythonie, najlepiej skorzysta\u0107 z pakietu statsmodels<\/strong> .<\/span><\/p>\n
 Poni\u017cszy kod pokazuje, jak u\u017cy\u0107 tego pakietu, aby dopasowa\u0107 ten sam model regresji liniowej wielokrotnej, co w poprzednim przyk\u0142adzie, i wyodr\u0119bni\u0107 podsumowanie modelu:<\/span><\/p>\n
 import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define response variable\n<\/span>y = df[' y<\/span> ']\n\n#define predictor variables\n<\/span>x = df[[' x1<\/span> ', ' x2<\/span> ']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit linear regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view model summary\n<\/span>print<\/span> ( model.summary<\/span> ())\n\n                            OLS Regression Results                            \n==================================================== ============================\nDept. Variable: y R-squared: 0.767\nModel: OLS Adj. R-squared: 0.708\nMethod: Least Squares F-statistic: 13.15\nDate: Fri, 01 Apr 2022 Prob (F-statistic): 0.00296\nTime: 11:10:16 Log-Likelihood: -31.191\nNo. Comments: 11 AIC: 68.38\nDf Residuals: 8 BIC: 69.57\nDf Model: 2                                         \nCovariance Type: non-robust                                         \n==================================================== ============================\n                 coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 70.4828 3.749 18.803 0.000 61.839 79.127\nx1 5.7945 1.132 5.120 0.001 3.185 8.404\nx2 -1.1576 1.065 -1.087 0.309 -3.613 1.298\n==================================================== ============================\nOmnibus: 0.198 Durbin-Watson: 1.240\nProb(Omnibus): 0.906 Jarque-Bera (JB): 0.296\nSkew: -0.242 Prob(JB): 0.862\nKurtosis: 2.359 Cond. No. 10.7\n==================================================== ============================\n<\/strong><\/span><\/pre>\n
 Nale\u017cy zauwa\u017cy\u0107, \u017ce wsp\u00f3\u0142czynniki regresji i warto\u015b\u0107 R-kwadrat odpowiadaj\u0105 tym obliczonym przez scikit-learn, ale mamy te\u017c mn\u00f3stwo innych przydatnych metryk dla modelu regresji.<\/span><\/p>\n
 Na przyk\u0142ad mo\u017cemy zobaczy\u0107 warto\u015bci p dla ka\u017cdej indywidualnej zmiennej predykcyjnej:<\/span><\/p>\n
 Chocia\u017c wynik ten jest przydatny, nadal nie znamy og\u00f3lnej statystyki F<\/a> modelu, warto\u015bci p poszczeg\u00f3lnych wsp\u00f3\u0142czynnik\u00f3w regresji<\/a> i innych przydatnych miar, kt\u00f3re mog\u0105 pom\u00f3c nam zrozumie\u0107, jak dobrze model pasuje do modelu. zbi\u00f3r danych.zestaw danych.<\/span><\/p>\n
 Mo\u017cemy nast\u0119pnie u\u017cy\u0107 nast\u0119puj\u0105cego kodu, aby wyodr\u0119bni\u0107 wsp\u00f3\u0142czynniki regresji z modelu, a tak\u017ce warto\u015b\u0107 modelu R-kwadrat<\/a> :<\/span><\/span><\/p>\n