Complimenti!
Modelli lineari generalizzati in Python
Ita Cirovic Donev
Data Science Consultant
MODELLO
- Dati $\rightarrow$
- Link $\rightarrow$
- Modello $\rightarrow$
- +1 unità in $x \rightarrow$
REGRESSIONE LOGISTICA
- Binaria
- Logit
- $logit(y) = \beta_0+\beta_1x_1$
- aumenta le $\color{red}{\text{log-odds}}$ di $\beta_1$
MODELLO LINEARE
- Continua
- Identità
- $y = \beta_0+\beta_1x_1$
- aumenta $\color{red}{y}$ di $\beta_1$
REGRESSIONE DI POISSON
- Conteggio
- Logaritmo
- $log(\lambda) = \beta_0+\beta_1x_1$
- $\color{red}{\text{moltiplica } \lambda}$ per $exp(\beta_1)$
FUNZIONI PYTHON PRINCIPALI
- Fitta il modello
statmodels$\rightarrow$
MODELLO LINEARE
glm('y ~ x', data)
glm('y ~ x', data,
family = sm.families.Gaussian())
REGRESSIONE LOGISTICA
glm('y ~ x', data,
family = sm.families.Binomial())
REGRESSIONE DI POISSON
glm('y ~ x', data,
family = sm.families.Poisson())
Prossimi passi...
- Corsi DataCamp
- Ottimi libri di riferimento
- Regression Modeling Strategies di Frank E. Harrell, Jr.
- An Introduction to Categorical Data Analysis di Alan Agresti
- Applied Predictive Modeling di Max Kuhn e Kjell Johnson
Buon modeling!
Modelli lineari generalizzati in Python
