Model uyumunu nicelendirme

Python ile statsmodels kullanarak Regresyona Giriş

Maarten Van den Broeck

Content Developer at DataCamp

Çipura ve levrek modelleri

Çipura Daha önce gösterilen, çipura kütlesi ile uzunluğu saçılım grafiği ve trend çizgisi.

Levrekgiller Daha önce gösterilen, levrekgillerin kütlesi ile uzunluğu saçılım grafiği ve trend çizgisi.

Belirleme katsayısı

Bazen “r-kare” veya “R-kare” denir.

Açıklayıcı değişkenden, yanıt değişkenindeki varyansın tahmin edilebilir kısmı

1 mükemmel uyum demektir
0 en kötü uyum demektir

.summary()

“R-Squared” değerine bakınız

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

print(mdl_bream.summary())

# Some lines of output omitted                          

                            OLS Regression Results                         
Dep. Variable:                 mass_g   R-squared:                       0.878
Model:                            OLS   Adj. R-squared:                  0.874
Method:                 Least Squares   F-statistic:                     237.6

.rsquared özniteliği

print(mdl_bream.rsquared)

0.8780627095147174

Sadece korelasyonun karesi

coeff_determination = bream["length_cm"].corr(bream["mass_g"]) ** 2
print(coeff_determination)

0.8780627095147173

Artıkların standart hatası (RSE)

Daha önce görülen, levrek balığı kütle-uzunluk saçılım grafiğinin artık değerleri

Bir tahmin ile gözlenen yanıt arasındaki “tipik” fark
Yanıt değişkeniyle aynı birimdedir.
MSE = RSE²

.mse_resid özniteliği

mse = mdl_bream.mse_resid
print('mse: ', mse)

mse:  5498.555084973521

rse = np.sqrt(mse)
print("rse: ", rse)

rse:  74.15224261594197

RSE hesaplama: artıkların karesi

residuals_sq = mdl_bream.resid ** 2

print("residuals sq: \n", residuals_sq)

residuals sq: 
0      138.957118
1      260.758635
2     5126.992578
3     1318.919660
4      390.974309
    ...
30    2125.047026
31    6576.923291
32     206.259713
33     889.335096
34    7665.302003
Length: 35, dtype: float64

RSE hesaplama: kareler toplamı

residuals_sq = mdl_bream.resid ** 2

resid_sum_of_sq = sum(residuals_sq)

print("resid sum of sq :",
      resid_sum_of_sq)

resid sum of sq : 181452.31780412616

RSE hesaplama: serbestlik derecesi

residuals_sq = mdl_bream.resid ** 2

resid_sum_of_sq = sum(residuals_sq)

deg_freedom = len(bream.index) - 2

print("deg freedom: ", deg_freedom)

Serbestlik derecesi, gözlem sayısından model katsayılarının sayısı çıkarılarak bulunur.

deg freedom:  33

RSE hesaplama: oranın karekökü

residuals_sq = mdl_bream.resid ** 2

resid_sum_of_sq = sum(residuals_sq)

deg_freedom = len(bream.index) - 2

rse = np.sqrt(resid_sum_of_sq/deg_freedom)

print("rse :", rse)

rse : 74.15224261594197

RSE’yi yorumlama

mdl_bream için RSE 74.

Tahmin edilen çipura kütlesi ile gözlenen kütle arasındaki fark tipik olarak ~74 g’dir.

Kök ortalama karesel hata (RMSE)

residuals_sq = mdl_bream.resid ** 2

resid_sum_of_sq = sum(residuals_sq)

deg_freedom = len(bream.index) - 2

rse = np.sqrt(resid_sum_of_sq/deg_freedom)

print("rse :", rse)

rse : 74.15224261594197

residuals_sq = mdl_bream.resid ** 2

resid_sum_of_sq = sum(residuals_sq)

n_obs = len(bream.index)

rmse = np.sqrt(resid_sum_of_sq/n_obs)

print("rmse :", rmse)

rmse : 72.00244396727619

Hadi pratik yapalım!

Python ile statsmodels kullanarak Regresyona Giriş