Calcolare e descrivere le previsioni

Modelli lineari generalizzati in Python

Ita Cirovic Donev

Data Science Consultant

Calcolare le previsioni

Dopo aver stimato il modello

Diagramma del processo di stima del modello.

Dopo aver stimato il modello

Diagramma del processo di stima del modello e del calcolo delle previsioni.

Modello granchio ferro di cavallo y ~ weight $$ \mu = \frac{\exp(-3.6947+1.8151 \times weight)}{1+\exp(-3.6947+1.8151 \times weight)} $$
Nuova misura: weight = 2.85

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

Calcola le previsioni del modello per il dataset new_data

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

Separazione dell'output del modello dato un cutoff di probabilità.

# 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

Cut-off	$\hat y=1$	$\hat y=0$
$\mu = 0.4$	151	22
$\mu = 0.5$	126	47

Matrice di confusione vuota.

Presentazione dei veri negativi nella matrice di confusione.

Presentazione dei veri negativi e veri positivi nella matrice di confusione.

Presentazione di veri negativi, veri positivi e falsi positivi nella matrice di confusione.

Presentazione di veri negativi, veri positivi, falsi positivi e falsi negativi nella matrice di confusione.

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

Modelli lineari generalizzati in Python