<\/p>\n
Um res\u00edduo<\/a> \u00e9 a diferen\u00e7a entre um valor observado e um valor previsto em um modelo de regress\u00e3o.<\/span><\/p>\n \u00c9 calculado da seguinte forma:<\/span><\/p>\n Residual = Valor observado \u2013 Valor previsto<\/span><\/p>\n Uma maneira de entender at\u00e9 que ponto um modelo de regress\u00e3o se ajusta a um conjunto de dados \u00e9 calcular a soma residual dos quadrados<\/strong> , que \u00e9 calculada da seguinte forma:<\/span><\/p>\n Soma residual dos quadrados = \u03a3(e i<\/sub> ) 2<\/sup><\/span><\/p>\n Ouro:<\/span><\/p>\n Quanto menor o valor, melhor o modelo se ajusta ao conjunto de dados.<\/span><\/p>\n Este tutorial fornece um exemplo passo a passo de como calcular a soma residual dos quadrados para um modelo de regress\u00e3o em Python.<\/span><\/p>\n Para este exemplo, inseriremos dados relativos ao n\u00famero de horas de estudo, ao n\u00famero total de exames preparat\u00f3rios realizados e aos resultados dos exames obtidos por 14 alunos diferentes:<\/span><\/p>\n A seguir, usaremos a<\/span> fun\u00e7\u00e3o OLS()<\/a> da biblioteca statsmodels para realizar uma regress\u00e3o de m\u00ednimos quadrados ordin\u00e1ria, usando “horas” e “exames” como vari\u00e1veis preditoras e “pontua\u00e7\u00e3o” como vari\u00e1vel de resposta:<\/span><\/p>\n Podemos usar o seguinte c\u00f3digo para calcular a soma residual dos quadrados do modelo:<\/span><\/p>\n A soma residual dos quadrados \u00e9 293.256<\/strong> .<\/span><\/p>\n Como realizar regress\u00e3o linear simples em Python<\/a> Um res\u00edduo \u00e9 a diferen\u00e7a entre um valor observado e um valor previsto em um modelo de regress\u00e3o. \u00c9 calculado da seguinte forma: Residual = Valor observado \u2013 Valor previsto Uma maneira de entender at\u00e9 que ponto um modelo de regress\u00e3o se ajusta a um conjunto de dados \u00e9 calcular a soma residual dos quadrados […]<\/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-1337","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Passo 1: Insira os dados<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame<\/span>\ndf = pd. DataFrame<\/span> ({' hours<\/span> ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4, 3, 6, 5],\n ' exams<\/span> ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4, 3, 2, 4],\n ' score<\/span> ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90, 75, 96, 90]})\n<\/strong><\/pre>\n Passo 2: Ajustar o modelo de regress\u00e3o<\/strong><\/span><\/h3>\n
import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define response variable\n<\/span>y = df[' score<\/span> ']\n\n#define predictor variables\n<\/span>x = df[[' hours<\/span> ', ' exams<\/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: R-squared score: 0.722\nModel: OLS Adj. R-squared: 0.671\nMethod: Least Squares F-statistic: 14.27\nDate: Sat, 02 Jan 2021 Prob (F-statistic): 0.000878\nTime: 15:58:35 Log-Likelihood: -41.159\nNo. Comments: 14 AIC: 88.32\nDf Residuals: 11 BIC: 90.24\nModel: 2 \nCovariance Type: non-robust \n==================================================== ============================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 71.8144 3.680 19.517 0.000 63.716 79.913\nhours 5.0318 0.942 5.339 0.000 2.958 7.106\nexams -1.3186 1.063 -1.240 0.241 -3.658 1.021\n==================================================== ============================\nOmnibus: 0.976 Durbin-Watson: 1.270\nProb(Omnibus): 0.614 Jarque-Bera (JB): 0.757\nSkew: -0.245 Prob(JB): 0.685\nKurtosis: 1.971 Cond. No. 12.1\n==================================================== ============================\n<\/strong><\/span><\/pre>\n Etapa 3: Calcule a soma residual dos quadrados<\/strong><\/span><\/h3>\n
print<\/span> ( model.ssr<\/span> )\n\n293.25612951525414\n<\/strong><\/span><\/pre>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o linear m\u00faltipla em Python<\/a>
Calculadora de soma residual de quadrados<\/p>\n","protected":false},"excerpt":{"rendered":"