<\/p>\n
O Crit\u00e9rio de Informa\u00e7\u00e3o Bayesiano<\/strong> , muitas vezes abreviado como BIC<\/strong> , \u00e9 uma medida usada para comparar a qualidade do ajuste de diferentes modelos de regress\u00e3o.<\/span><\/p>\n Na pr\u00e1tica, ajustamos v\u00e1rios modelos de regress\u00e3o ao mesmo conjunto de dados e escolhemos o modelo com o menor valor de BIC como o modelo que melhor se ajusta aos dados.<\/span><\/p>\n Usamos a seguinte f\u00f3rmula para calcular o BIC:<\/span><\/p>\n BIC:<\/strong> (RSS+log(n)d\u03c3\u0302 2<\/sup> ) \/ n<\/span><\/p>\n Ouro:<\/span><\/p>\n Para calcular o BIC de modelos de regress\u00e3o m\u00faltipla em Python, podemos usar a fun\u00e7\u00e3o statsmodels.regression.linear_model.OLS()<\/strong> , que possui uma propriedade chamada bic que nos informa o valor BIC para um determinado modelo.<\/span><\/p>\n O exemplo a seguir mostra como usar esta fun\u00e7\u00e3o para calcular e interpretar o BIC para v\u00e1rios modelos de regress\u00e3o em Python.<\/span><\/p>\n Suponha que queiramos ajustar dois modelos diferentes de regress\u00e3o linear m\u00faltipla<\/a> usando vari\u00e1veis do conjunto de dados mtcars<\/strong> .<\/span><\/p>\n Primeiro, carregaremos este conjunto de dados:<\/span><\/p>\n A seguir, ajustaremos os dois modelos de regress\u00e3o a seguir:<\/span><\/p>\n O c\u00f3digo a seguir mostra como ajustar o primeiro modelo e calcular o BIC:<\/span><\/p>\n O BIC deste modelo \u00e9 174.239<\/strong> .<\/span><\/p>\n A seguir, ajustaremos o segundo modelo e calcularemos o BIC:<\/span><\/p>\n O BIC deste modelo \u00e9 166.565<\/strong> .<\/span><\/p>\n Como o segundo modelo tem um valor BIC mais baixo, \u00e9 o modelo com melhor ajuste.<\/span><\/p>\n Uma vez identificado este modelo como o melhor, podemos prosseguir com o ajuste do modelo e analisar os resultados, incluindo o valor R-quadrado e os coeficientes beta, para determinar a rela\u00e7\u00e3o exata entre o conjunto de vari\u00e1veis preditivas e a vari\u00e1vel resposta<\/a> .<\/span><\/p>\n Duas outras m\u00e9tricas comumente usadas para comparar o ajuste de modelos de regress\u00e3o s\u00e3o AIC<\/strong> e R-quadrado ajustado<\/strong> .<\/span><\/p>\n Os tutoriais a seguir explicam como calcular cada uma dessas m\u00e9tricas para modelos de regress\u00e3o em Python:<\/span><\/p>\n Como calcular AIC de modelos de regress\u00e3o em Python<\/a> O Crit\u00e9rio de Informa\u00e7\u00e3o Bayesiano , muitas vezes abreviado como BIC , \u00e9 uma medida usada para comparar a qualidade do ajuste de diferentes modelos de regress\u00e3o. Na pr\u00e1tica, ajustamos v\u00e1rios modelos de regress\u00e3o ao mesmo conjunto de dados e escolhemos o modelo com o menor valor de BIC como o modelo que melhor se […]<\/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-2138","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Exemplo: calcule o BIC de modelos de regress\u00e3o em Python<\/strong><\/span><\/h3>\n
from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nimport<\/span> pandas as<\/span> pd\n\n#define URL where dataset is located\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/mtcars.csv\"\n\n#read in data\n<\/span>data = pd. read_csv<\/span> (url)\n\n#view head of data\n<\/span>data. head<\/span> ()\n\n model mpg cyl disp hp drat wt qsec vs am gear carb\n0 Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4\n1 Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4\n2 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1\n3 Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1\n4 Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2\n<\/strong><\/pre>\n\n
#define response variable\n<\/span>y = data['mpg']\n\n#define predictor variables\n<\/span>x = data[['disp', 'qsec']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view BIC of model\n<\/span>print<\/span> (model. bic<\/span> )\n\n174.23905634994506<\/strong><\/span><\/pre>\n #define response variable\n<\/span>y = data['mpg']\n\n#define predictor variables\n<\/span>x = data[['disp', 'wt']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view BIC of model\n<\/span>print<\/span> (model. bic<\/span> )\n\n166.56499196301334<\/strong><\/span><\/pre>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Como calcular R-quadrado ajustado em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"