Calculer et décrire des prédictions

Modèles linéaires généralisés en Python

Ita Cirovic Donev

Data Science Consultant

Calculer des prédictions

Après l'ajustement du modèle

Schéma du processus d'ajustement du modèle.

Après l'ajustement du modèle

Schéma de l'ajustement du modèle et du calcul des prédictions.

Modèle crabe fer à cheval y ~ weight $$ \mu = \frac{\exp(-3.6947+1.8151 \times weight)}{1+\exp(-3.6947+1.8151 \times weight)} $$
Nouvelle mesure : weight = 2.85

$$ \mu = \frac{\exp(-3.6947+1.8151 \times \color{blue}{2.85})}{1+\exp(-3.6947+1.8151 \times \color{blue}{2.85})} = 0.814 $$

Calculer les prédictions du modèle pour le jeu de données new_data
```
# Compute model predictions
model_GLM.predict(exog = new_data)
```

Séparation de la sortie du modèle selon un seuil de probabilité défini.

# Extract fitted probabilities from model
crab['fitted'] = model.fittedvalues.values

# Define cut-off value
cut_off = 0.4

# Compute class predictions
crab['pred_class'] = np.where(crab['fitted'] > cut_off, 1, 0)

# Count occurences for each class
crab['pred_class'].value_counts()

1    151
0     22

Seuil	$\hat y=1$	$\hat y=0$
$\mu = 0.4$	151	22
$\mu = 0.5$	126	47

Matrice de confusion vide.

Présentation des vrais négatifs dans la matrice de confusion.

Présentation des vrais négatifs et des vrais positifs dans la matrice de confusion.

Présentation des vrais négatifs, des vrais positifs et des faux positifs dans la matrice de confusion.

Présentation des vrais négatifs, des vrais positifs, des faux positifs et des faux négatifs dans la matrice de confusion.

print(pd.crosstab(y_actual, y_predicted, 
            rownames=['Actual'], colnames=['Predicted'], 
            margins = True))

Predicted   0    1  All
Actual                 
0          15   47   62
1           7  104  111
All        22  151  173

Modèles linéaires généralisés en Python