Làm việc với đối tượng mô hình
Giới thiệu về Hồi quy với statsmodels trong Python
Maarten Van den Broeck
Content Developer at DataCamp
thuộc tính .params
from statsmodels.formula.api import ols
mdl_mass_vs_length = ols("mass_g ~ length_cm", data = bream).fit()
print(mdl_mass_vs_length.params)
Intercept -1035.347565
length_cm 54.549981
dtype: float64
thuộc tính .fittedvalues
Giá trị phù hợp: dự đoán trên tập dữ liệu gốc
print(mdl_mass_vs_length.fittedvalues)
hoặc tương đương
explanatory_data = bream["length_cm"]
print(mdl_mass_vs_length.predict(explanatory_data))
0 230.211993
1 273.851977
2 268.396979
3 399.316934
4 410.226930
...
30 873.901768
31 873.901768
32 939.361745
33 1004.821722
34 1037.551710
Length: 35, dtype: float64
thuộc tính .resid
Phần dư: giá trị phản hồi thực tế trừ giá trị dự đoán
print(mdl_mass_vs_length.resid)
hoặc tương đương
print(bream["mass_g"] - mdl_mass_vs_length.fittedvalues)
0 11.788007
1 16.148023
2 71.603021
3 -36.316934
4 19.773070
...
.summary()
mdl_mass_vs_length.summary()
OLS Regression Results
==============================================================================
Dep. Variable: mass_g R-squared: 0.878
Model: OLS Adj. R-squared: 0.874
Method: Least Squares F-statistic: 237.6
Date: Thu, 29 Oct 2020 Prob (F-statistic): 1.22e-16
Time: 13:23:21 Log-Likelihood: -199.35
No. Observations: 35 AIC: 402.7
Df Residuals: 33 BIC: 405.8
Df Model: 1
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
<-----------------------------------------------------------------------------
Intercept -1035.3476 107.973 -9.589 0.000 -1255.020 -815.676
length_cm 54.5500 3.539 15.415 0.000 47.350 61.750
==============================================================================
Omnibus: 7.314 Durbin-Watson: 1.478
Prob(Omnibus): 0.026 Jarque-Bera (JB): 10.857
Skew: -0.252 Prob(JB): 0.00439
Kurtosis: 5.682 Cond. No. 263.
OLS Regression Results
==============================================================================
Dep. Variable: mass_g R-squared: 0.878
Model: OLS Adj. R-squared: 0.874
Method: Least Squares F-statistic: 237.6
Date: Thu, 29 Oct 2020 Prob (F-statistic): 1.22e-16
Time: 13:23:21 Log-Likelihood: -199.35
No. Observations: 35 AIC: 402.7
Df Residuals: 33 BIC: 405.8
Df Model: 1
Covariance Type: nonrobust
coef std err t P>|t| [0.025 0.975]
<-----------------------------------------------------------------------------
Intercept -1035.3476 107.973 -9.589 0.000 -1255.020 -815.676
length_cm 54.5500 3.539 15.415 0.000 47.350 61.750
==============================================================================
Omnibus: 7.314 Durbin-Watson: 1.478
Prob(Omnibus): 0.026 Jarque-Bera (JB): 10.857
Skew: -0.252 Prob(JB): 0.00439
Kurtosis: 5.682 Cond. No. 263.
Hãy luyện tập!
Giới thiệu về Hồi quy với statsmodels trong Python
