Een verhaal van twee variabelen

Introductie tot regressie met statsmodels in Python

Maarten Van den Broeck

Content Developer at DataCamp

Zweedse autoverzekeringsdata

Elke rij staat voor één geografische regio in Zweden.
Er zijn 63 rijen.

n_claims	total_payment_sek
108	392.5
19	46.2
13	15.7
124	422.2
40	119.4
...	...

Beschrijvende statistiek

import pandas as pd
print(swedish_motor_insurance.mean())

n_claims             22.904762
total_payment_sek    98.187302
dtype: float64

print(swedish_motor_insurance['n_claims'].corr(swedish_motor_insurance['total_payment_sek']))

0.9128782350234068

Wat is regressie?

Statistische modellen om de relatie tussen een responsvariabele en verklarende variabelen te verkennen.
Met waarden van verklarende variabelen kun je de respons voorspellen.

n_claims	total_payment_sek
108	3925
19	462
13	157
124	4222
40	1194
200	???

Jargon

Responsvariabele (ook wel afhankelijke variabele)

De variabele die je wilt voorspellen.

Verklarende variabelen (ook wel onafhankelijke variabelen)

Variabelen die verklaren hoe de respons verandert.

Lineaire en logistische regressie

Lineaire regressie

De responsvariabele is numeriek.

Logistische regressie

De responsvariabele is logisch.

Eenvoudige lineaire/logistische regressie

Er is maar één verklarende variabele.

Paren van variabelen visualiseren

import matplotlib.pyplot as plt
import seaborn as sns

sns.scatterplot(x="n_claims",
                y="total_payment_sek",    
                data=swedish_motor_insurance)

plt.show()

Een spreidingsdiagram van de totale uitbetaling versus het aantal claims. De uitbetaling stijgt naarmate het aantal claims toeneemt.

Een lineaire trendlijn toevoegen

sns.regplot(x="n_claims",
            y="total_payment_sek",
            data=swedish_motor_insurance,
            ci=None)

Hetzelfde spreidingsdiagram als eerder, nu met een trendlijn via lineaire regressie. De lijn past redelijk bij de data.

Cursusopbouw

Hoofdstuk 1

Visualiseren en fitten van lineaire regressiemodellen.

Hoofdstuk 2

Voorspellen met lineaire regressiemodellen en modelcoëfficiënten begrijpen.

Hoofdstuk 3

De kwaliteit van het lineaire regressiemodel beoordelen.

Hoofdstuk 4

Hetzelfde opnieuw, maar met logistische regressiemodellen

Python-packages voor regressie

`statsmodels`

Geoptimaliseerd voor inzicht (focus in deze cursus)

`scikit-learn`

Geoptimaliseerd voor voorspellen (focus in andere DataCamp-cursussen)

Laten we oefenen!

Introductie tot regressie met statsmodels in Python