Categorische verklarende variabelen

Introductie tot regressie met statsmodels in Python

Maarten Van den Broeck

Content Developer at DataCamp

Visdataset

Elke rij is één vis.
De dataset heeft 128 rijen.
Er zijn 4 soorten:
- Brasem
- Baars
- Snoek
- Voorn

species	mass_g
Bream	242.0
Perch	5.9
Pike	200.0
Roach	40.0
...	...

Visualiseren: 1 numeriek en 1 categorisch

import matplotlib.pyplot as plt
import seaborn as sns

sns.displot(data=fish,
            x="mass_g",
            col="species",
            col_wrap=2,
            bins=9)

plt.show()

Een gefacetteerd histogram van aantallen vissen versus hun gewicht. Elk paneel toont een soort: brasem, baars, snoek of voorn.

Samenvatting: gemiddelde massa per soort

summary_stats = fish.groupby("species")["mass_g"].mean()
print(summary_stats)

species
Bream    617.828571
Perch    382.239286
Pike     718.705882
Roach    152.050000
Name: mass_g, dtype: float64

Lineaire regressie

from statsmodels.formula.api import ols 
mdl_mass_vs_species = ols("mass_g ~ species", data=fish).fit()

print(mdl_mass_vs_species.params)

Intercept           617.828571
species[T.Perch]   -235.589286
species[T.Pike]     100.877311
species[T.Roach]   -465.778571

Model met of zonder intercept

Van de vorige slide: model met intercept

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

print(mdl_mass_vs_species.params)

Intercept           617.828571
species[T.Perch]   -235.589286
species[T.Pike]     100.877311
species[T.Roach]   -465.778571

De coëfficiënten zijn relatief t.o.v. het intercept: $617.83 - 235.59 = 382.24!$

Model zonder intercept

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

Bij één categorische variabele zijn coëfficiënten de gemiddelden.

Laten we oefenen!

Introductie tot regressie met statsmodels in Python