Ou seja, \u00e0 medida que a vari\u00e1vel preditora aumenta, a vari\u00e1vel resposta tende a aumentar tamb\u00e9m, mas depois de um certo ponto a vari\u00e1vel resposta come\u00e7a a diminuir \u00e0 medida que a vari\u00e1vel preditora continua a aumentar.<\/span><\/p>\n Este tutorial explica como realizar regress\u00e3o quadr\u00e1tica em Python.<\/span><\/p>\n Suponha que temos dados sobre o n\u00famero de horas trabalhadas por semana e o n\u00edvel de felicidade relatado (numa escala de 0 a 100) para 16 pessoas diferentes:<\/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 tem formato de \u201cU\u201d:<\/span> <\/p>\n \u00c0 medida que as horas trabalhadas aumentam, a felicidade tamb\u00e9m aumenta, mas quando as horas trabalhadas ultrapassam cerca de 35 horas por semana, a felicidade come\u00e7a a diminuir.<\/span><\/p>\n Devido ao formato em \u201cU\u201d, isso significa que a regress\u00e3o quadr\u00e1tica \u00e9 provavelmente uma boa candidata para quantificar a rela\u00e7\u00e3o entre as duas vari\u00e1veis.<\/span><\/p>\n Para realmente realizar uma regress\u00e3o quadr\u00e1tica, podemos ajustar um modelo de regress\u00e3o polinomial com grau 2 usando a<\/span> fun\u00e7\u00e3o<\/span> numpy.polyfit()<\/a> : <\/p>\n Podemos obter a equa\u00e7\u00e3o de regress\u00e3o polinomial ajustada imprimindo os coeficientes do modelo:<\/span><\/p>\n A equa\u00e7\u00e3o de regress\u00e3o quadr\u00e1tica ajustada \u00e9:<\/span><\/p>\n Felicidade = -0,107(horas) 2<\/sup> + 7,173(horas) \u2013 30,25<\/strong><\/span><\/p>\n Podemos usar esta equa\u00e7\u00e3o para calcular o n\u00edvel de felicidade esperado de um indiv\u00edduo com base nas horas trabalhadas. Por exemplo, o n\u00edvel de felicidade esperado de uma pessoa que trabalha 30 horas por semana \u00e9:<\/span><\/p>\n Felicidade = -0,107(30) 2<\/sup> + 7,173(30) \u2013 30,25 = 88,64<\/strong> .<\/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 0,9092<\/strong> .<\/span><\/p>\n Isto significa que 90,92% da varia\u00e7\u00e3o nos n\u00edveis de felicidade relatados pode ser explicada pelas vari\u00e1veis preditoras.<\/span><\/p>\n Como realizar regress\u00e3o polinomial em Python<\/a> A regress\u00e3o quadr\u00e1tica \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 as verdadeiras rela\u00e7\u00f5es s\u00e3o quadr\u00e1ticas, o que pode parecer um \u201cU\u201d ou um \u201cU\u201d invertido em um gr\u00e1fico. Ou seja, \u00e0 medida que a vari\u00e1vel preditora aumenta, a vari\u00e1vel resposta […]<\/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-982","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: regress\u00e3o quadr\u00e1tica em Python<\/span><\/strong><\/h2>\n
import<\/span> numpy as<\/span> np\nimport<\/span> scipy.stats as<\/span> stats\n\n#define variables<\/span>\nhours = [6, 9, 12, 12, 15, 21, 24, 24, 27, 30, 36, 39, 45, 48, 57, 60]\nhapp = [12, 18, 30, 42, 48, 78, 90, 96, 96, 90, 84, 78, 66, 54, 36, 24]<\/strong><\/pre>\n import matplotlib.pyplot<\/span> as plt<\/span>\n\n#create scatterplot\n<\/span>plt.scatter(hours, happ)<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quadregpython1.png\")
<\/p>\n import<\/span> numpy as<\/span> np\n\n#polynomial fit with degree = 2\n<\/span>model = np.poly1d(np.polyfit(hours, happ, 2))\n\n#add fitted polynomial line to scatterplot\n<\/span>polyline = np.linspace(1, 60, 50)\nplt.scatter(hours, happ)\nplt.plot(polyline, model(polyline))\nplt.show()<\/strong> <\/pre>\n![\"Regress\u00e3o](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quadregpython2.png\")
<\/p>\n print<\/span> (model)\n\n-0.107x 2<\/sup> + 7.173x - 30.25\n<\/strong><\/pre>\n #define function to calculate r-squared<\/span>\ndef<\/span> polyfit(x, y, degree):\n results = {}\n coeffs = np.polyfit(x, y, degree)\n p = np.poly1d(coeffs)\n #calculate r-squared<\/span>\n yhat = p(x)\n ybar = np.sum(y)\/len(y)\n ssreg = np.sum((yhat-ybar)**2)\n sstot = np.sum((y - ybar)**2)\n results['r_squared'] = ssreg \/ sstot\n\n return<\/span> results\n\n#find r-squared of polynomial model with degree = 3\n<\/span>polyfit(hours, happ, 2)\n\n{'r_squared': 0.9092114182131691}\n<\/strong><\/pre>\n Recursos adicionais<\/strong><\/span><\/h2>\n
Como realizar regress\u00e3o quadr\u00e1tica em R<\/a>
Como realizar regress\u00e3o quadr\u00e1tica no Excel<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"