<\/p>\n
O m\u00f3dulo statsmodels<\/a> do Python oferece uma variedade de fun\u00e7\u00f5es e classes que permitem adaptar v\u00e1rios modelos estat\u00edsticos.<\/span><\/span><\/p>\n O exemplo passo a passo a seguir mostra como realizar regress\u00e3o log\u00edstica<\/a> usando fun\u00e7\u00f5es statsmodels.<\/span><\/p>\n Primeiro, vamos criar um DataFrame do pandas que cont\u00e9m tr\u00eas vari\u00e1veis:<\/span><\/p>\n Ajustaremos um modelo de regress\u00e3o log\u00edstica usando horas estudadas e m\u00e9todo de estudo para prever se um aluno passa ou n\u00e3o em determinado exame.<\/span><\/p>\n O c\u00f3digo a seguir mostra como criar o DataFrame do pandas:<\/span><\/p>\n A seguir, ajustaremos o modelo de regress\u00e3o log\u00edstica usando a fun\u00e7\u00e3o logit()<\/strong> :<\/span><\/p>\n Os valores na coluna coef<\/strong> do resultado nos indicam a varia\u00e7\u00e3o m\u00e9dia no log de chances de passar no exame.<\/span><\/p>\n Por exemplo:<\/span><\/span><\/p>\n Os valores em P>|z|<\/strong> A coluna representa os valores p de cada coeficiente.<\/span><\/p>\n Por exemplo:<\/span><\/p>\n Para avaliar a qualidade do modelo de regress\u00e3o log\u00edstica, podemos observar duas m\u00e9tricas no resultado:<\/span><\/p>\n 1. Apelido R-quadrado<\/strong><\/span><\/p>\n Este valor pode ser considerado um substituto do valor R-quadrado para um modelo de regress\u00e3o linear.<\/span><\/p>\n \u00c9 calculado como a raz\u00e3o entre a fun\u00e7\u00e3o de log-verossimilhan\u00e7a maximizada do modelo nulo para o modelo completo.<\/span><\/p>\n Este valor pode variar de 0 a 1, sendo que valores mais altos indicam melhor ajuste do modelo.<\/span><\/p>\n Neste exemplo, o valor do pseudo R ao quadrado \u00e9 0,1894<\/strong> , o que \u00e9 bastante baixo. Isso nos diz que as vari\u00e1veis preditoras do modelo n\u00e3o est\u00e3o fazendo um trabalho muito bom ao prever o valor da vari\u00e1vel resposta.<\/span><\/p>\n 2. Valor p do LLR<\/strong><\/span><\/p>\n Este valor pode ser considerado um substituto do valor p do valor F geral<\/a> de um modelo de regress\u00e3o linear.<\/span><\/p>\n Se este valor estiver abaixo de um determinado limite (por exemplo \u03b1 = 0,05), podemos ent\u00e3o concluir que o modelo como um todo \u00e9 \u201c\u00fatil\u201d e pode prever melhor os valores da vari\u00e1vel resposta em compara\u00e7\u00e3o com um modelo sem vari\u00e1veis preditivas.<\/span><\/p>\n Neste exemplo, o valor p do LLR \u00e9 0,07375<\/strong> . Dependendo do n\u00edvel de signific\u00e2ncia que escolhermos (por exemplo, 0,01, 0,05, 0,1), podemos ou n\u00e3o concluir que o modelo como um todo \u00e9 \u00fatil.<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em Python:<\/span><\/p>\n Como realizar regress\u00e3o linear em Python<\/a> O m\u00f3dulo statsmodels do Python oferece uma variedade de fun\u00e7\u00f5es e classes que permitem adaptar v\u00e1rios modelos estat\u00edsticos. O exemplo passo a passo a seguir mostra como realizar regress\u00e3o log\u00edstica usando fun\u00e7\u00f5es statsmodels. Etapa 1: crie os dados Primeiro, vamos criar um DataFrame do pandas que cont\u00e9m tr\u00eas vari\u00e1veis: Horas estudadas (valor inteiro) M\u00e9todo de […]<\/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-3526","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Etapa 1: crie os dados<\/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 Passo 2: Ajustar o modelo de regress\u00e3o log\u00edstica<\/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
Etapa 3: avaliar o desempenho do modelo<\/strong><\/span><\/h2>\n
Recursos adicionais<\/strong><\/span><\/h2>\n
Como realizar regress\u00e3o logar\u00edtmica em Python<\/a>
Como realizar regress\u00e3o quant\u00edlica em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"