Regressieanalyse

Enquètegegevens analyseren in Python

EbunOluwa Andrew

Data Scientist

Regressieanalyse

Begrijp de relatie tussen variabelen
Gebruikt om een nauwkeurige uitkomst te voorspellen
Meet invloed van onafhankelijke variabelen op afhankelijke variabele
Voorspelt toekomstige kansen en risico’s
Vervangt ruwe data door bruikbare inzichten
Levert feitelijke onderbouwing voor beslissingen

Mensen die een dalende financiële pijl proberen tegen te houden

Lineaire regressie met de OLS-methode

Lineair regressiemodel
- Veronderstelt een lineaire relatie tussen x en y
- y = m * x + b
- Ordinary Least Squares (OLS)-methode
- Som((berekend–geobserveerd)^2) => minimaliseren

¹ https://seeing-theory.brown.edu/regression-analysis/index.html

Data laden

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import statsmodels.api as sm

exercise_data = pd.read_csv('workout_survey_data.csv')
print(exercise_data.head())

| workout_minutes | calories_burned |
|-----------------|-----------------|
| 77              | 79.775152       |
| 21              | 23.177279       |
| 22              | 25.609262       |
| 20              | 17.857388       |

Variabelen definiëren

x = onafhankelijke variabele y = afhankelijke variabele

x = exercise_data.minutes.tolist()
y = exercise_data.calories.tolist() 
print(x,'\n',y)

| [77, 21, 22, 20, 36...           |
|----------------------------------|
| [79.7, 23.1, 25.6, 17.8, 41.8... |

Enquêtedata

workout_minutes	calories_burned
77	79.775152
21	23.177279
22	25.609262
20	17.857388
36	41.849864

Constante term toevoegen

x = sm.add_constant(x)
print (x)

Laat het model een waarde voor b schatten

Regressie uitvoeren en fitten

result = sm.OLS(y,x).fit()
print(result.summary())

m en b ophalen

Oorspronkelijke waarden plotten

x = exercise_data.minutes.tolist()
y = exercise_data.calories.tolist()
plt.scatter(x,y)
plt.xlabel('minutes')
plt.ylabel('calories')
plt.show()

De regressielijn plotten

max_x = exercise_data.minutes.max()
min_x = exercise_data.minutes.min()
x = np.arange(min_x, max_x, 1)

y = 1.0072*x + 0.1552

plt.plot(y, 'r')
plt.show()

Respons voorspellen

y = 1.0072 * 30 + 0.1552
print(y)

30.3712

Voors en tegens van lineaire regressie

Voordeel
- Werkt goed als data lineair scheidbaar is
Nadeel
- Veronderstelt lineariteit bij niet-lineaire gevallen

Laten we oefenen!

Enquètegegevens analyseren in Python