Otimização de modelos

Introdução à Modelagem Linear em Python

Jason Vestuto

Data Scientist

Resíduos

Figura com 2 painéis: acima, dispersão de nível do mar versus tempo e linha do modelo; abaixo, resíduos mostrando a diferença entre dados e modelo do painel superior

residuals = y_model - y_data
len(residuals) == len(y_data)

True

Soma dos resíduos

Figura com 2 painéis: acima, dispersão de nível do mar versus tempo e linha do modelo; abaixo, resíduos mostrando a diferença entre dados e modelo do painel superior

residuals = y_model - y_data
print(np.sum(residuals))

0.0

Resíduos ao quadrado

Figura com 2 painéis: acima, dispersão de nível do mar versus tempo e linha de um modelo ruim de valor constante; abaixo, resíduos como marcadores verdes e resíduos ao quadrado como quadrados azuis

residuals_squared = np.square(y_model - y_data)

print(np.sum(residuals_squared))

65.1

RSS

resid_squared = np.square(y_model - y_data)
RSS = np.sum(resid_squared)

RSS

Figura com 2 painéis: acima, dispersão de nível do mar versus tempo e linha de um modelo melhor; abaixo, resíduos como marcadores verdes e resíduos ao quadrado como quadrados azuis, com ajuste bem melhor

RSS = np.sum(np.square(y_model - y_data))
print(RSS)

5.9

Variação do RSS

Gráfico de valores de RSS no eixo y versus inclinação no eixo x, em forma de parábola voltada para cima, com mínimo próximo de slope=25

O menor valor de RSS dá os menores resíduos
Menores resíduos geram o melhor modelo

Vamos praticar!

Introdução à Modelagem Linear em Python