Tahminleri hesaplama ve açıklama

Python ile Genelleştirilmiş Doğrusal Modeller

Ita Cirovic Donev

Data Science Consultant

Tahminleri hesaplama

Model uyumunu elde ettikten sonra

Model uyum sürecinin diyagramı.

Model uyumunu elde ettikten sonra

Model uyumu ve tahminlerin hesaplanmasının diyagramı.

At nalı yengeci modeli y ~ weight $$ \mu = \frac{\exp(-3.6947+1.8151 \times weight)}{1+\exp(-3.6947+1.8151 \times weight)} $$
Yeni ölçüm: weight = 2.85

$$ \mu = \frac{\exp(-3.6947+1.8151 \times \color{blue}{2.85})}{1+\exp(-3.6947+1.8151 \times \color{blue}{2.85})} = 0.814 $$

new_data veri kümesi için model tahminlerini hesapla

# Model tahminlerini hesapla
model_GLM.predict(exog = new_data)

Belirli bir olasılık eşik değerine göre model çıktısının ayrımı.

# Modelden uyumlu olasılıkları çıkar
crab['fitted'] = model.fittedvalues.values

# Eşik değeri tanımla
cut_off = 0.4

# Sınıf tahminlerini hesapla
crab['pred_class'] = np.where(crab['fitted'] > cut_off, 1, 0)

# Her sınıf için oluşumları say
crab['pred_class'].value_counts()

1    151
0     22

Eşik	$\hat y=1$	$\hat y=0$
$\mu = 0.4$	151	22
$\mu = 0.5$	126	47

Boş karışıklık matrisi.

Karışıklık matrisinde doğru negatiferin gösterimi.

Karışıklık matrisinde doğru negatifler ve doğru pozitiferin gösterimi.

Karışıklık matrisinde doğru negatifler, doğru pozitifer ve yanlış pozitiferin gösterimi.

Karışıklık matrisinde doğru negatifler, doğru pozitifer, yanlış pozitifer ve yanlış negatiferin gösterimi.

print(pd.crosstab(y_actual, y_predicted, 
            rownames=['Actual'], colnames=['Predicted'], 
            margins = True))

Predicted   0    1  All
Actual                 
0          15   47   62
1           7  104  111
All        22  151  173

Python ile Genelleştirilmiş Doğrusal Modeller