Tahminler ve oranlar

Python ile statsmodels kullanarak Regresyona Giriş

Maarten Van den Broeck

Content Developer at DataCamp

regplot() tahminleri

sns.regplot(x="time_since_last_purchase",
            y="has_churned",
            data=churn,
            ci=None,
            logistic=True)

plt.show()

Son satın almadan beri geçen süreye göre churn saçılım grafiği ve lojistik trend çizgisi.

Tahmin yapmak

mdl_recency = logit("has_churned ~ time_since_last_purchase",
                    data = churn).fit()


explanatory_data = pd.DataFrame(
  {"time_since_last_purchase": np.arange(-1, 6.25, 0.25)})


prediction_data = explanatory_data.assign(
    has_churned = mdl_recency.predict(explanatory_data))

Nokta tahminleri ekleme

sns.regplot(x="time_since_last_purchase",
            y="has_churned",
            data=churn,
            ci=None,
            logistic=True)

sns.scatterplot(x="time_since_last_purchase",
                y="has_churned",
                data=prediction_data,
                color="red")

plt.show()

Son satın almadan beri geçen süreye göre churn saçılım grafiği ve lojistik trend çizgisi. Grafik predict() sonuçlarıyla açıklamalı; bunlar trend çizgisini tam izler.

En olası sonucu elde etme

prediction_data = explanatory_data.assign(
    has_churned = mdl_recency.predict(explanatory_data))

prediction_data["most_likely_outcome"] = np.round(prediction_data["has_churned"])

En olası sonucu görselleştirme

sns.regplot(x="time_since_last_purchase",
            y="has_churned",
            data=churn,
            ci=None,
            logistic=True)

sns.scatterplot(x="time_since_last_purchase",
                y="most_likely_outcome",
                data=prediction_data,
                color="red")

plt.show()

Son satın almadan beri geçen süreye göre churn saçılım grafiği ve lojistik trend çizgisi. Grafik en olası sonuçlarla açıklamalı. Süre kısa iken en olası sonuç churn etmemek; süre uzun iken churn etmektir.

Oranlar (odds)

"Odds" (oran), bir olayın olma olasılığının olmama olasılığına bölünmesidir.

$$ \text{odds} = \frac{\text{probability}}{(1 - \text{probability)}} $$

$$ \text{odds} = \frac{0.25}{(1 - 0.25)} = \frac{1}{3} $$

Olasılığa göre oran grafiği. Olasılık bire yaklaştıkça eğri asimptotik olarak sonsuza çıkar.

Oranları hesaplama

prediction_data["odds"] = prediction_data["has_churned"] / 
                            (1 - prediction_data["has_churned"])

Oranları görselleştirme

sns.lineplot(x="time_since_last_purchase",
             y="odds",
             data=prediction_data)


plt.axhline(y=1,
            linestyle="dotted")


plt.show()

Son satın almadan beri geçen süreye göre oran çizgi grafiği; oran=1 için yatay çizgi var. Süre kısa iken en olası sonuç churn etmemek. Süre arttıkça churn oranı artar ve churn etmeme oranının beş katına kadar çıkar.

Log oranları görselleştirme

sns.lineplot(x="time_since_last_purchase",
             y="odds",
             data=prediction_data)

plt.axhline(y=1,
            linestyle="dotted")

plt.yscale("log")

plt.show()

Son satın almadan beri geçen süreye göre oran çizgi grafiği; oran=1 için yatay çizgi var. Y ekseni logaritmik, bu da oran eğrisini doğrusal hale getirir.

Log oranları hesaplama

prediction_data["log_odds"] = np.log(prediction_data["odds"])

Tüm tahminler bir arada

time_since_last_prchs	has_churned	most_likely_rspns	odds	log_odds
0	0.491	0	0.966	-0.035
2	0.623	1	1.654	0.503
4	0.739	1	2.834	1.042
6	0.829	1	4.856	1.580
...	...	...	...	...

Ölçeklerin karşılaştırılması

Ölçek	Değerleri yorumlamak kolay mı?	Değişimleri yorumlamak kolay mı?	Kesin mi?
Olasılık	✔	✘	✔
En olası sonuç	✔✔	✔	✘
Oranlar	✔	✘	✔
Log oranlar	✘	✔	✔

Haydi pratik yapalım!

Python ile statsmodels kullanarak Regresyona Giriş