Voorspellingen berekenen en beschrijven

Generalized Linear Models in Python

Ita Cirovic Donev

Data Science Consultant

Voorspellingen berekenen

Na het fitten van het model

Diagram van het modelleringsproces.

Na het fitten van het model

Diagram van het model fitten en voorspellingen berekenen.

Paardenhoefkrabmodel y ~ weight $$ \mu = \frac{\exp(-3.6947+1.8151 \times weight)}{1+\exp(-3.6947+1.8151 \times weight)} $$
Nieuwe meting: weight = 2.85

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

Bereken modelvoorspellingen voor dataset new_data

# Compute model predictions
model_GLM.predict(exog = new_data)

Scheiding van modeluitvoer bij een gekozen drempelwaarde.

# Extract fitted probabilities from model
crab['fitted'] = model.fittedvalues.values

# Define cut-off value
cut_off = 0.4

# Compute class predictions
crab['pred_class'] = np.where(crab['fitted'] > cut_off, 1, 0)

# Count occurences for each class
crab['pred_class'].value_counts()

1    151
0     22

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

Lege verwarringsmatrix.

Weergave van true negatives in de verwarringsmatrix.

Weergave van true negatives en true positives in de verwarringsmatrix.

Weergave van true negatives, true positives en false positives in de verwarringsmatrix.

Weergave van true negatives, true positives, false positives en false negatives in de verwarringsmatrix.

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

Generalized Linear Models in Python