Paralel eğimli doğrusal regresyon

Python ile statsmodels'da Orta Düzey Regresyon

Maarten Van den Broeck

Content Developer at DataCamp

Önceki ders

Bu ders, Introduction to Regression with statsmodels in Python bilgisini varsayar

Basit regresyondan çoklu regresyona

Çoklu regresyon, birden fazla açıklayıcı değişken içeren bir regresyon modelidir.

Daha fazla açıklayıcı değişken, daha çok içgörü ve daha iyi tahmin sağlar.

Ders içeriği

Bölüm 1

"Paralel eğimler" regresyonu

Bölüm 2

Etkileşimler
Simpson Paradoksu

Bölüm 3

Daha fazla açıklayıcı değişken
Doğrusal regresyon nasıl çalışır

Bölüm 4

Çoklu lojistik regresyon
Lojistik dağılım
Lojistik regresyon nasıl çalışır

Fish veri seti

mass_g	length_cm	species
242.0	23.2	Bream
5.9	7.5	Perch
200.0	30.0	Pike
40.0	12.9	Roach

Her satır bir balığı temsil eder
mass_g bağımlı değişkendir
1 sayısal, 1 kategorik açıklayıcı değişken

Açıklayıcı değişkenler tek tek

from statsmodels.formula.api import ols

mdl_mass_vs_length = ols("mass_g ~ length_cm",
                         data=fish).fit()

print(mdl_mass_vs_length.params)

Intercept   -536.223947
length_cm     34.899245
dtype: float64

1 kesişim katsayısı
1 eğim katsayısı

mdl_mass_vs_species = ols("mass_g ~ species + 0",
                          data=fish).fit()

print(mdl_mass_vs_species.params)

species[Bream]    617.828571
species[Perch]    382.239286
species[Pike]     718.705882
species[Roach]    152.050000
dtype: float64

Her kategori için 1 kesişim katsayısı

Her iki değişken birlikte

mdl_mass_vs_both = ols("mass_g ~ length_cm + species + 0",
                       data=fish).fit()

print(mdl_mass_vs_both.params)

species[Bream]    -672.241866
species[Perch]    -713.292859
species[Pike]    -1089.456053
species[Roach]    -726.777799
length_cm           42.568554
dtype: float64

1 eğim katsayısı
Her kategori için 1 kesişim katsayısı

Katsayıları karşılaştırma

print(mdl_mass_vs_length.params)

Intercept   -536.223947
length_cm     34.899245

print(mdl_mass_vs_both.params)

species[Bream]    -672.241866
species[Perch]    -713.292859
species[Pike]    -1089.456053
species[Roach]    -726.777799
length_cm           42.568554

print(mdl_mass_vs_species.params)

species[Bream]    617.828571
species[Perch]    382.239286
species[Pike]     718.705882
species[Roach]    152.050000

Görselleştirme: 1 sayısal açıklayıcı değişken

import matplotlib.pyplot as plt
import seaborn as sns

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

plt.show()

Balık kütlesi ve uzunluğunun saçılım grafiği, doğrusal eğilim çizgisiyle

Görselleştirme: 1 kategorik açıklayıcı değişken

sns.boxplot(x="species",
            y="mass_g",
            data=fish,
            showmeans=True)

Türlere göre balık kütlesi kutu grafiği

Görselleştirme: her iki açıklayıcı değişken

coeffs = mdl_mass_vs_both.params
print(coeffs)

species[Bream]    -672.241866
species[Perch]    -713.292859
species[Pike]    -1089.456053
species[Roach]    -726.777799
length_cm           42.568554

ic_bream, ic_perch, ic_pike, ic_roach, sl = coeffs

sns.scatterplot(x="length_cm",
                y="mass_g",
                hue="species",
                data=fish)

plt.axline(xy1=(0, ic_bream), slope=sl, color="blue")
plt.axline(xy1=(0, ic_perch), slope=sl, color="green")
plt.axline(xy1=(0, ic_pike), slope=sl, color="red")
plt.axline(xy1=(0, ic_roach), slope=sl, color="orange")

Balık kütlesi ve uzunluğu için, türe göre ayrılmış paralel eğim modeli

Hadi pratik yapalım!

Python ile statsmodels'da Orta Düzey Regresyon