Dự đoán các đường dốc song song
Hồi quy trung cấp với statsmodels trong Python
Maarten Van den Broeck
Content Developer at DataCamp
Quy trình dự đoán
import pandas as pd
import numpy as np
expl_data_length = pd.DataFrame(
{"length_cm": np.arange(5, 61, 5)})
print(expl_data_length)
length_cm
0 5
1 10
2 15
3 20
4 25
5 30
6 35
7 40
8 45
9 50
10 55
11 60
Quy trình dự đoán
[A, B, C] x [1, 2] ==> [A1, B1, C1, A2, B2, C2]
from itertools import productproduct(["A", "B", "C"], [1, 2])
length_cm = np.arange(5, 61, 5)species = fish["species"].unique()p = product(length_cm, species)expl_data_both = pd.DataFrame(p, columns=['length_cm', 'species'])print(expl_data_both)
length_cm species
0 5 Bream
1 5 Roach
2 5 Perch
3 5 Pike
4 10 Bream
5 10 Roach
6 10 Perch
...
41 55 Roach
42 55 Perch
43 55 Pike
44 60 Bream
45 60 Roach
46 60 Perch
47 60 Pike
Quy trình dự đoán
Dự đoán mass_g chỉ từ length_cm
prediction_data_length = expl_data_length.assign(
mass_g = mdl_mass_vs_length.predict(expl_data)
)
Dự đoán mass_g từ cả hai biến giải thích
prediction_data_both = expl_data_both.assign(
mass_g = mdl_mass_vs_both.predict(expl_data)
)
length_cm mass_g
0 5 -361.7277
1 10 -187.2315
2 15 -12.7353
3 20 161.7610
4 25 336.2572
5 30 510.7534
... # số hàng: 12
length_cm species mass_g
0 5 Bream -459.3991
1 5 Roach -513.9350
2 5 Perch -500.4501
3 5 Pike -876.6133
4 10 Bream -246.5563
5 10 Roach -301.0923
... # số hàng: 48
Trực quan hóa dự đoán
plt.axline(xy1=(0, ic_bream), slope=sl, color="blue")
plt.axline(xy1=(0, ic_perch), slope=sl, color="green")
plt.axline(xy1=(0, ic_pike), slope=sl, color="red")
plt.axline(xy1=(0, ic_roach), slope=sl, color="orange")
sns.scatterplot(x="length_cm",
y="mass_g",
hue="species",
data=fish)
sns.scatterplot(x="length_cm",
y="mass_g",
color="black",
data=prediction_data)
Tự tính dự đoán cho hồi quy tuyến tính
coeffs = mdl_mass_vs_length.params
print(coeffs)
intercept, slope = coeffs
explanatory_data = pd.DataFrame(
{"length_cm": np.arange(5, 61, 5)})
prediction_data = explanatory_data.assign(
mass_g = intercept + slope * explanatory_data
)
print(prediction_data)
Intercept -536.223947
length_cm 34.899245
length_cm mass_g
0 5 -361.727721
1 10 -187.231494
2 15 -12.735268
3 20 161.760959
4 25 336.257185
5 30 510.753412
...
9 50 1208.738318
10 55 1383.234545
11 60 1557.730771
Tự tính dự đoán cho hồi quy đa biến
coeffs = mdl_mass_vs_both.params
print(coeffs)
species[Bream] -672.241866
species[Perch] -713.292859
species[Pike] -1089.456053
species[Roach] -726.777799
length_cm 42.568554
ic_bream, ic_perch, ic_pike, ic_roach, slope = coeffs
np.select()
conditions = [
condition_1,
condition_2,
# ...
condition_n
]
choices = [list_of_choices] # cùng độ dài với conditions
np.select(conditions, choices)
Chọn hệ số chặn với np.select()
conditions = [
explanatory_data["species"] == "Bream",
explanatory_data["species"] == "Perch",
explanatory_data["species"] == "Pike",
explanatory_data["species"] == "Roach"
]
choices = [ic_bream, ic_perch, ic_pike, ic_roach]
intercept = np.select(conditions, choices)
print(intercept)
[ -672.24 -726.78 -713.29 -1089.46
-672.24 -726.78 -713.29 -1089.46
-672.24 -726.78 -713.29 -1089.46
-672.24 -726.78 -713.29 -1089.46
-672.24 -726.78 -713.29 -1089.46
-672.24 -726.78 -713.29 -1089.46
-672.24 -726.78 -713.29 -1089.46
-672.24 -726.78 -713.29 -1089.46
-672.24 -726.78 -713.29 -1089.46
-672.24 -726.78 -713.29 -1089.46
-672.24 -726.78 -713.29 -1089.46
-672.24 -726.78 -713.29 -1089.46]
Bước dự đoán cuối
prediction_data = explanatory_data.assign( intercept = np.select(conditions, choices), mass_g = intercept + slope * explanatory_data["length_cm"])print(prediction_data)
length_cm species intercept mass_g
0 5 Bream -672.2419 -459.3991
1 5 Roach -726.7778 -513.9350
2 5 Perch -713.2929 -500.4501
3 5 Pike -1089.4561 -876.6133
4 10 Bream -672.2419 -246.5563
5 10 Roach -726.7778 -301.0923
6 10 Perch -713.2929 -287.6073
7 10 Pike -1089.4561 -663.7705
8 15 Bream -672.2419 -33.7136
...
40 55 Bream -672.2419 1669.0286
41 55 Roach -726.7778 1614.4927
42 55 Perch -713.2929 1627.9776
43 55 Pike -1089.4561 1251.8144
44 60 Bream -672.2419 1881.8714
45 60 Roach -726.7778 1827.3354
46 60 Perch -713.2929 1840.8204
47 60 Pike -1089.4561 1464.6572
So sánh với .predict()
mdl_mass_vs_both.predict(explanatory_data)
0 -459.3991
1 -513.9350
2 -500.4501
3 -876.6133
4 -246.5563
5 -301.0923
...
43 1251.8144
44 1881.8714
45 1827.3354
46 1840.8204
47 1464.6572
Ayo berlatih!
Hồi quy trung cấp với statsmodels trong Python
