Tahmin yapma

Python ile statsmodels kullanarak Regresyona Giriş

Maarten Van den Broeck

Content Developer at DataCamp

Balık veri seti: sazan

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

Yaygın sazan, _Abramis brama_

Kütleye karşı uzunluğu çizmek

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

plt.show()

Sazanın kütlelerinin uzunluklarına karşı saçılım grafiği ve doğrusal eğilim çizgisi. Noktalar eğilim çizgisine yakındır.

Modeli çalıştırma

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

Tahmin için açıklayıcı değerler

Açıklayıcı değişkenleri bu değerlere ayarlarsam,
yanıt değişkeni hangi değeri alır?

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() çağırma

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

DataFrame içinde tahmin

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

Tahminleri gösterme

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()

Sazanın kütlelerinin uzunluklarına karşı saçılım grafiği ve doğrusal eğilim çizgisi. Grafik, predict() ile hesaplanan noktalarla ek açıklamalı. Bu noktalar eğilim çizgisini tam olarak izler.

Dışa vurum

Dışa vurum (extrapolation), gözlenen aralığın dışındaki veriler için tahmin yapmaktır.

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

Sazanın kütlelerinin uzunluklarına karşı saçılım grafiği ve doğrusal eğilim çizgisi. Grafik, varsayımsal 10 cm’lik bir sazan ve tahmin edilen kütlesiyle ek açıklamalı.

Hadi pratik yapalım!

Python ile statsmodels kullanarak Regresyona Giriş