Een regressiemodel plotten

Generalized Linear Models in Python

Ita Cirovic Donev

Data Science Consultant

Bibliotheken importeren

import seaborn as sns
import matplotlib.pyplot as plt

Crab-model 'sat ~ width' is opgeslagen als model

Datapunten plotten

# Adjust figure size
plt.subplots(figsize = (8, 5))

# Plot data points
sns.regplot('width', 'sat', 
            data = crab,
            fit_reg = False)

Spreiding van breedte en aantal satellieten uit de crab-dataset.

Jitter toevoegen

sns.regplot('width', 'sat', 
            data = crab,
            fit_reg = False,
            y_jitter = 0.3)

Spreiding met jitter van breedte en aantal satellieten uit de crab-dataset.

Lineaire fit toevoegen

sns.regplot('width', 'sat', 
            data = crab,
            y_jitter = 0.3,
            fit_reg = True,
            line_kws = {'color':'green', 
                        'label':'LM fit'})

Lineaire fit met betrouwbaarheidsintervallen en de spreiding van breedte en aantal satellieten uit de crab-dataset.

Voeg Poisson-GLM schattingen toe

crab['fit_values'] = model.fittedvalues

sns.scatterplot('width','fit_values', 
                data = crab,
                color = 'red', 
                label = 'Poisson')

Lineaire en Poisson-fit en de spreiding van breedte en aantal satellieten uit de crab-dataset.

Voorspellingen

Poisson-model fit over de scatterplot van breedte en aantal satellieten

Voorspellingen

new_data = pd.DataFrame({'width':[24, 28, 32]})
model.predict(new_data)

0    1.881981

Aflezen van de voorspelde waarde bij breedte 24 cm met het Poisson-regressiemodel.

Voorspellingen

new_data = pd.DataFrame({'width':[24, 28, 32]})
model.predict(new_data)

0    1.881981
1    3.627360

Aflezen van de voorspelde waarde bij breedte 28 cm met het Poisson-regressiemodel.

Voorspellingen

new_data = pd.DataFrame({'width':[24, 28, 32]})
model.predict(new_data)

0    1.881981
1    3.627360
2    6.991433

Aflezen van de voorspelde waarde bij breedte 32 cm met het Poisson-regressiemodel.

Laten we oefenen!

Generalized Linear Models in Python