Este tutorial explica como realizar regress\u00e3o c\u00fabica em Python.<\/span><\/p>\n Suponha que temos o seguinte DataFrame do pandas que cont\u00e9m duas vari\u00e1veis (x e y):<\/span><\/p>\n Se fizermos um gr\u00e1fico de dispers\u00e3o simples desses dados, podemos ver que a rela\u00e7\u00e3o entre as duas vari\u00e1veis \u00e9 n\u00e3o linear:<\/span> <\/p>\n \u00c0 medida que o valor de x aumenta, y aumenta at\u00e9 certo ponto, depois diminui e depois aumenta novamente.<\/span><\/p>\n Este padr\u00e3o com duas \u201ccurvas\u201d no gr\u00e1fico \u00e9 uma indica\u00e7\u00e3o de uma rela\u00e7\u00e3o c\u00fabica entre as duas vari\u00e1veis.<\/span><\/p>\n Isto significa que um modelo de regress\u00e3o c\u00fabico \u00e9 um bom candidato para quantificar a rela\u00e7\u00e3o entre as duas vari\u00e1veis.<\/span><\/p>\n Para realizar a regress\u00e3o c\u00fabica, podemos ajustar um modelo de regress\u00e3o polinomial com grau 3 usando a fun\u00e7\u00e3o<\/span> numpy.polyfit()<\/a> :<\/span> <\/p>\n Podemos obter a equa\u00e7\u00e3o de regress\u00e3o c\u00fabica ajustada imprimindo os coeficientes do modelo:<\/span><\/p>\n A equa\u00e7\u00e3o de regress\u00e3o c\u00fabica ajustada \u00e9:<\/span><\/p>\n y = 0,003302(x) 3<\/sup> \u2013 0,3214(x) 2<\/sup> + 9,832x \u2013 30,01<\/strong><\/span><\/p>\n Podemos usar esta equa\u00e7\u00e3o para calcular o valor esperado de y com base no valor de x.<\/span><\/p>\n Por exemplo, se x for 30, ent\u00e3o o valor esperado para y \u00e9 64,844:<\/span><\/p>\n y = 0,003302(30) 3<\/sup> \u2013 0,3214(30) 2<\/sup> + 9,832(30) \u2013 30,01 = 64,844<\/span><\/p>\n Tamb\u00e9m podemos escrever uma fun\u00e7\u00e3o curta para obter o R-quadrado do modelo, que \u00e9 a propor\u00e7\u00e3o da vari\u00e2ncia na vari\u00e1vel de resposta que pode ser explicada pelas vari\u00e1veis preditoras.<\/span><\/p>\n Neste exemplo, o R quadrado do modelo \u00e9 0,9632<\/strong> .<\/span><\/p>\n Isso significa que 96,32% da varia\u00e7\u00e3o da vari\u00e1vel resposta pode ser explicada pela vari\u00e1vel preditora.<\/span><\/p>\n Por ser t\u00e3o alto, esse valor nos diz que o modelo de regress\u00e3o c\u00fabica quantifica bem a rela\u00e7\u00e3o entre as duas vari\u00e1veis.<\/span><\/p>\n Relacionado:<\/strong> O que \u00e9 um bom valor de R ao quadrado?<\/a><\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em Python:<\/span><\/p>\n Como realizar regress\u00e3o linear simples em Python<\/a> A regress\u00e3o c\u00fabica \u00e9 um tipo de regress\u00e3o que podemos usar para quantificar a rela\u00e7\u00e3o entre uma vari\u00e1vel preditora e uma vari\u00e1vel de resposta quando a rela\u00e7\u00e3o entre as vari\u00e1veis \u00e9 n\u00e3o linear. Este tutorial explica como realizar regress\u00e3o c\u00fabica em Python. Exemplo: regress\u00e3o c\u00fabica em Python Suponha que temos o seguinte DataFrame do pandas […]<\/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-3920","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: regress\u00e3o c\u00fabica em Python<\/span><\/strong><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' x<\/span> ': [6, 9, 12, 16, 22, 28, 33, 40, 47, 51, 55, 60],\n ' y<\/span> ': [14, 28, 50, 64, 67, 57, 55, 57, 68, 74, 88, 110]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n xy\n0 6 14\n1 9 28\n2 12 50\n3 16 64\n4 22 67\n5 28 57\n6 33 55\n7 40 57\n8 47 68\n9 51 74\n10 55 88\n11 60 110\n<\/strong><\/pre>\n import matplotlib. pyplot<\/span><\/span> as plt<\/span>\n\n#create scatterplot\n<\/span>plt. scatter<\/span> (df. x<\/span> , df. y<\/span> )<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/cubique1.jpg\")
<\/p>\n import<\/span> numpy as<\/span> np\n\n#fit cubic regression model\n<\/span>model = np. poly1d<\/span> (np. polyfit<\/span> (df. x<\/span> , df. y<\/span> , 3))<\/span>\n\n#add fitted cubic regression line to scatterplot\n<\/span>polyline = np. linspace<\/span> (1, 60, 50)\nplt. scatter<\/span> (df. x<\/span> , df. y<\/span> )\nplt. plot<\/span> (polyline, model(polyline))\n\n#add axis labels\n<\/span>plt. xlabel<\/span> (' x<\/span> ')\nplt. ylabel<\/span> (' y<\/span> ')\n\n#displayplot\n<\/span>plt. show<\/span> ()<\/strong> <\/pre>\n![\"regress\u00e3o](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/cubique2.jpg\")
<\/p>\n print<\/span> (model)\n\n 3 2\n0.003302x - 0.3214x + 9.832x - 32.01\n<\/strong><\/pre>\n #define function to calculate r-squared<\/span>\ndef<\/span> polyfit(x, y, degree):\n results = {}\n coeffs = np. polyfit<\/span> (x, y, degree)\n p = np. poly1d<\/span> (coeffs)\n #calculate r-squared<\/span>\n yhat = p(x)\n ybar = np. sum<\/span> (y)\/len(y)\n ssreg = np. sum<\/span> ((yhat-ybar) **<\/span> 2)\n sstot = np. sum<\/span> ((y - ybar) **<\/span> 2)\n results[' r_squared<\/span> '] = ssreg \/ sstot\n\n return<\/span> results\n\n#find r-squared of polynomial model with degree = 3\n<\/span>polyfit(df. x<\/span> , df. y<\/span> , 3)\n\n{'r_squared': 0.9632469890057967}\n<\/strong><\/pre>\n Recursos adicionais<\/strong><\/span><\/h2>\n
Como realizar regress\u00e3o quadr\u00e1tica em Python<\/a>
Como realizar regress\u00e3o polinomial em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"