Chúc mừng!
Mô hình Tuyến tính Tổng quát (GLM) trong Python
Ita Cirovic Donev
Data Science Consultant
MÔ HÌNH
- Dữ liệu $\rightarrow$
- Hàm liên kết $\rightarrow$
- Mô hình $\rightarrow$
- Tăng 1 đơn vị của $x \rightarrow$
HỒI QUY LOGISTIC
- Nhị phân
- Logit
- $logit(y) = \beta_0+\beta_1x_1$
- tăng $\color{red}{\text{log-odds}}$ thêm $\beta_1$
MÔ HÌNH TUYẾN TÍNH
- Liên tục
- Đồng nhất
- $y = \beta_0+\beta_1x_1$
- tăng $\color{red}{y}$ thêm $\beta_1$
HỒI QUY POISSON
- Đếm
- Logarithm
- $log(\lambda) = \beta_0+\beta_1x_1$
- $\color{red}{\text{nhân } \lambda}$ với $exp(\beta_1)$
HÀM PYTHON CHÍNH
- Fit mô hình
statmodels$\rightarrow$
MÔ HÌNH TUYẾN TÍNH
glm('y ~ x', data)
glm('y ~ x', data,
family = sm.families.Gaussian())
HỒI QUY LOGISTIC
glm('y ~ x', data,
family = sm.families.Binomial())
HỒI QUY POISSON
glm('y ~ x', data,
family = sm.families.Poisson())
Bước tiếp theo...
- Khóa học DataCamp
- Sách tham khảo xuất sắc
- Regression Modeling Strategies của Frank E. Harrell, Jr.
- An Introduction to Categorical Data Analysis của Alan Agresti
- Applied Predictive Modeling của Max Kuhn và Kjell Johnson
Chúc bạn mô hình hóa hiệu quả!
Mô hình Tuyến tính Tổng quát (GLM) trong Python
