Memplot model regresi

Generalized Linear Models di Python

Ita Cirovic Donev

Data Science Consultant

Impor pustaka

import seaborn as sns
import matplotlib.pyplot as plt

Model crab 'sat ~ width' disimpan sebagai model

Plot titik data

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

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

Scatterplot lebar dan jumlah satelit dari data crab.

Tambahkan jitter

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

Scatterplot dengan jitter pada lebar dan jumlah satelit dari data crab.

Tambahkan kecocokan linear

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

Kecocokan linear dengan interval kepercayaan dan scatterplot lebar vs jumlah satelit pada data crab.

Tambahkan nilai taksiran GLM Poisson

crab['fit_values'] = model.fittedvalues

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

Kurva linear dan Poisson serta scatterplot lebar dan jumlah satelit pada data crab.

Prediksi

Kecocokan model Poisson di atas scatterplot lebar dan jumlah satelit

Prediksi

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

0    1.881981

Membaca nilai taksiran pada lebar 24 cm dari model regresi Poisson terpasang.

Prediksi

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

0    1.881981
1    3.627360

Membaca nilai taksiran pada lebar 28 cm dari model regresi Poisson terpasang.

Prediksi

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

0    1.881981
1    3.627360
2    6.991433

Membaca nilai taksiran pada lebar 32 cm dari model regresi Poisson terpasang.

Ayo berlatih!

Generalized Linear Models di Python