<\/p>\n
Modu\u0142 statsmodels<\/a> Pythona oferuje r\u00f3\u017cnorodne funkcje i klasy, kt\u00f3re pozwalaj\u0105 dostosowa\u0107 r\u00f3\u017cne modele statystyczne.<\/span><\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje krok po kroku, jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105<\/a> przy u\u017cyciu funkcji statsmodels.<\/span><\/p>\n Najpierw utw\u00f3rzmy ramk\u0119 danych pandy zawieraj\u0105c\u0105 trzy zmienne:<\/span><\/p>\n Dopasujemy model regresji logistycznej, wykorzystuj\u0105c przepracowane godziny i metod\u0119 nauki, aby przewidzie\u0107, czy ucze\u0144 zda dany egzamin.<\/span><\/p>\n Poni\u017cszy kod pokazuje, jak utworzy\u0107 ramk\u0119 DataFrame pand:<\/span><\/p>\n Nast\u0119pnie dopasujemy model regresji logistycznej za pomoc\u0105 funkcji logit()<\/strong> :<\/span><\/p>\n Warto\u015bci w kolumnie coef<\/strong> wyniku informuj\u0105 nas o \u015bredniej zmianie logarytmicznych szans na zdanie egzaminu.<\/span><\/p>\n Na przyk\u0142ad:<\/span><\/span><\/p>\n Warto\u015bci w P>|z|<\/strong> Kolumna reprezentuje warto\u015bci p dla ka\u017cdego wsp\u00f3\u0142czynnika.<\/span><\/p>\n Na przyk\u0142ad:<\/span><\/p>\n Aby oceni\u0107 jako\u015b\u0107 modelu regresji logistycznej, mo\u017cemy przyjrze\u0107 si\u0119 dw\u00f3m metrykom w wynikach:<\/span><\/p>\n 1. Pseudonim R-kwadrat<\/strong><\/span><\/p>\n Warto\u015b\u0107 t\u0119 mo\u017cna uzna\u0107 za substytut warto\u015bci R-kwadrat w modelu regresji liniowej.<\/span><\/p>\n Oblicza si\u0119 j\u0105 jako stosunek funkcji maksymalnego logarytmu wiarygodno\u015bci z modelu zerowego do modelu pe\u0142nego.<\/span><\/p>\n Warto\u015b\u0107 ta mo\u017ce wynosi\u0107 od 0 do 1, przy czym wy\u017csze warto\u015bci wskazuj\u0105 na lepsze dopasowanie modelu.<\/span><\/p>\n W tym przyk\u0142adzie warto\u015b\u0107 pseudoR-kwadrat wynosi 0,1894<\/strong> , co jest warto\u015bci\u0105 do\u015b\u0107 nisk\u0105. To m\u00f3wi nam, \u017ce zmienne predykcyjne modelu niezbyt dobrze radz\u0105 sobie z przewidywaniem warto\u015bci zmiennej odpowiedzi.<\/span><\/p>\n 2. Warto\u015b\u0107 p LLR<\/strong><\/span><\/p>\n Warto\u015b\u0107 t\u0119 mo\u017cna uzna\u0107 za substytut warto\u015bci p ca\u0142kowitej warto\u015bci F<\/a> modelu regresji liniowej.<\/span><\/p>\n Je\u017celi warto\u015b\u0107 ta jest poni\u017cej pewnego progu (np. \u03b1 = 0,05), w\u00f3wczas mo\u017cemy stwierdzi\u0107, \u017ce model jako ca\u0142o\u015b\u0107 jest \u201eu\u017cyteczny\u201d i pozwala lepiej przewidzie\u0107 warto\u015bci zmiennej odpowiedzi w por\u00f3wnaniu z modelem bez zmiennych predykcyjnych.<\/span><\/p>\n W tym przyk\u0142adzie warto\u015b\u0107 p LLR wynosi 0,07375<\/strong> . W zale\u017cno\u015bci od wybranego przez nas poziomu istotno\u015bci (np. 0,01, 0,05, 0,1) mo\u017cemy doj\u015b\u0107 do wniosku, \u017ce model jako ca\u0142o\u015b\u0107 jest przydatny lub nie.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe zadania w Pythonie:<\/span><\/p>\n Jak wykona\u0107 regresj\u0119 liniow\u0105 w Pythonie<\/a> Modu\u0142 statsmodels Pythona oferuje r\u00f3\u017cnorodne funkcje i klasy, kt\u00f3re pozwalaj\u0105 dostosowa\u0107 r\u00f3\u017cne modele statystyczne. Poni\u017cszy przyk\u0142ad pokazuje krok po kroku, jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 przy u\u017cyciu funkcji statsmodels. Krok 1: Utw\u00f3rz dane Najpierw utw\u00f3rzmy ramk\u0119 danych pandy zawieraj\u0105c\u0105 trzy zmienne: Godziny nauki (ca\u0142a warto\u015b\u0107) Metoda badania (metoda A lub B) Wynik egzaminu (zdany lub niezaliczony) […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-3525","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Krok 1: Utw\u00f3rz dane<\/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 Krok 2: Dopasuj model regresji logistycznej<\/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
Krok 3: Oce\u0144 wydajno\u015b\u0107 modelu<\/strong><\/span><\/h2>\n
Dodatkowe zasoby<\/strong><\/span><\/h2>\n
Jak wykona\u0107 regresj\u0119 logarytmiczn\u0105 w Pythonie<\/a>
Jak wykona\u0107 regresj\u0119 kwantylow\u0105 w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"