{"id":3010,"date":"2023-07-19T15:56:18","date_gmt":"2023-07-19T15:56:18","guid":{"rendered":"https:\/\/statorials.org\/pt\/resumo-de-regressao-linear-sklearn\/"},"modified":"2023-07-19T15:56:18","modified_gmt":"2023-07-19T15:56:18","slug":"resumo-de-regressao-linear-sklearn","status":"publish","type":"post","link":"https:\/\/statorials.org\/pt\/resumo-de-regressao-linear-sklearn\/","title":{"rendered":"Como obter o resumo do modelo de regress\u00e3o do scikit-learn"},"content":{"rendered":"

<\/p>\n

\n

Muitas vezes voc\u00ea pode querer extrair um resumo de um modelo de regress\u00e3o criado usando o scikit-learn<\/a> em Python.<\/span><\/p>\n

Infelizmente, o scikit-learn n\u00e3o oferece muitas fun\u00e7\u00f5es integradas para analisar o resumo de um modelo de regress\u00e3o, pois geralmente \u00e9 usado apenas para fins preditivos<\/a> .<\/span><\/p>\n

Portanto, se quiser obter um resumo de um modelo de regress\u00e3o em Python, voc\u00ea tem duas op\u00e7\u00f5es:<\/span><\/p>\n

1.<\/strong> Use as fun\u00e7\u00f5es limitadas do scikit-learn.<\/span><\/p>\n

2.<\/strong> Em vez disso, use modelos estat\u00edsticos<\/a> .<\/span><\/p>\n

Os exemplos a seguir mostram como usar cada m\u00e9todo na pr\u00e1tica com o seguinte DataFrame do pandas:<\/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
 M\u00e9todo 1: Obtenha o resumo do modelo de regress\u00e3o do Scikit-Learn<\/strong><\/span><\/h3>\n
 Podemos usar o seguinte c\u00f3digo para ajustar um modelo de regress\u00e3o linear m\u00faltipla<\/a> usando o 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
 Usando esta sa\u00edda, podemos escrever a equa\u00e7\u00e3o para o modelo de regress\u00e3o ajustado:<\/span><\/p>\n
 y = 70,48 + 5,79x 1<\/sub> \u2013 1,16x 2<\/sub><\/span><\/p>\n
 Pode-se observar tamb\u00e9m que o valor R 2<\/sup> do modelo \u00e9 76,67.<\/span><\/p>\n
 Isso significa que 76,67%<\/strong> da varia\u00e7\u00e3o da vari\u00e1vel resposta pode ser explicada pelas duas vari\u00e1veis preditoras do modelo.<\/span><\/p>\n
 M\u00e9todo 2: obter o resumo do modelo de regress\u00e3o em Statsmodels<\/strong><\/span><\/h3>\n
 Se voc\u00ea deseja extrair um resumo de um modelo de regress\u00e3o em Python, \u00e9 melhor usar o pacote statsmodels<\/strong> .<\/span><\/p>\n
 O c\u00f3digo a seguir mostra como usar este pacote para ajustar o mesmo modelo de regress\u00e3o linear m\u00faltipla do exemplo anterior e extrair o resumo do modelo:<\/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
 Observe que os coeficientes de regress\u00e3o e o valor de R ao quadrado correspondem aos calculados pelo scikit-learn, mas tamb\u00e9m temos muitas outras m\u00e9tricas \u00fateis para o modelo de regress\u00e3o.<\/span><\/p>\n
 Por exemplo, podemos ver os valores p para cada vari\u00e1vel preditora individual:<\/span><\/p>\n
 Embora este resultado seja \u00fatil, ainda n\u00e3o conhecemos a estat\u00edstica F geral<\/a> do modelo, os valores p dos coeficientes de regress\u00e3o<\/a> individuais e outras medidas \u00fateis que podem nos ajudar a entender qu\u00e3o bem o modelo se ajusta ao modelo. conjunto de dados.dataset.<\/span><\/p>\n
 Podemos ent\u00e3o usar o seguinte c\u00f3digo para extrair os coeficientes de regress\u00e3o do modelo, bem como o valor R ao quadrado<\/a> do modelo:<\/span><\/span><\/p>\n