Vorhersagen treffen

Einführung in Regression mit statsmodels in Python

Maarten Van den Broeck

Content Developer at DataCamp

Der Fisch-Datensatz: Brassen

bream = fish[fish["species"] == "Bream"]
print(bream.head())

  species  mass_g  length_cm
0   Bream   242.0       23.2
1   Bream   290.0       24.0
2   Bream   340.0       23.9
3   Bream   363.0       26.3
4   Bream   430.0       26.5

Braune Brasse, _Abramis brama_

Masse und Länge visualisieren

sns.regplot(x="length_cm",
            y="mass_g",
            data=bream,
            ci=None)

plt.show()

Ein Streudiagramm der Masse von Brassen im Vergleich zu ihrer Länge, mit einer linearen Trendlinie. Die Punkte liegen alle ziemlich nah an der Trendlinie.

Das Modell ausführen

mdl_mass_vs_length = ols("mass_g ~ length_cm", data=bream).fit()

print(mdl_mass_vs_length.params)

Intercept   -1035.347565
length_cm      54.549981
dtype: float64

Daten zu erklärenden Werten zur Vorhersage

Wenn ich die erklärenden Variablen auf diese Werte setze,
welchen Wert hätte die Antwortvariable?

explanatory_data = pd.DataFrame({"length_cm": np.arange(20, 41)})


    length_cm
0          20
1          21
2          22
3          23
4          24
5          25
     ...

predict() aufrufen

print(mdl_mass_vs_length.predict(explanatory_data))

0       55.652054
1      110.202035
2      164.752015
3      219.301996
4      273.851977
    ...
16     928.451749
17     983.001730
18    1037.551710
19    1092.101691
20    1146.651672
Length: 21, dtype: float64

Vorhersagen innerhalb eines DataFrame

explanatory_data = pd.DataFrame(
  {"length_cm": np.arange(20, 41)}
)

prediction_data = explanatory_data.assign(
    mass_g=mdl_mass_vs_length.predict(explanatory_data)
)

print(prediction_data)

    length_cm         mass_g
0          20      55.652054
1          21     110.202035
2          22     164.752015
3          23     219.301996
4          24     273.851977
..        ...            ...
16         36     928.451749
17         37     983.001730
18         38    1037.551710
19         39    1092.101691
20         40    1146.651672

Prognosen anzeigen

import matplotlib.pyplot as plt
import seaborn as sns
fig = plt.figure()
sns.regplot(x="length_cm",
            y="mass_g",
            ci=None,
            data=bream,)
sns.scatterplot(x="length_cm",
                y="mass_g",
                data=prediction_data, 
                color="red",
                marker="s")
plt.show()

Das Streudiagramm der Brassenmassen im Verhältnis zu ihrer Länge mit einer linearen Trendlinie. Das Diagramm wurde mit den mit predict() berechneten Punkten versehen. Diese Punkte liegen alle genau auf der Trendlinie.

Extrapolieren

Extrapolieren heißt, Vorhersagen zu treffen, die über die beobachteten Daten hinausgehen.

little_bream = pd.DataFrame({"length_cm": [10]})

pred_little_bream = little_bream.assign(
    mass_g=mdl_mass_vs_length.predict(little_bream))

print(pred_little_bream)

   length_cm      mass_g
0         10 -489.847756

Das Streudiagramm der Degenbarschgewichte im Vergleich zu ihrer Länge, mit einer linearen Trendlinie. Die Grafik zeigt eine fiktive 10 cm große Brasse und ihre geschätzte Masse.

Lass uns üben!

Einführung in Regression mit statsmodels in Python