Regresní analýza

Analýza dat z průzkumů v Pythonu

EbunOluwa Andrew

Data Scientist

Regresní analýza

  • Porozumění vztahům mezi proměnnými
  • Slouží k předpovědi konkrétního výsledku
  • Měří vliv nezávislých proměnných na závislou proměnnou
  • Předpovídá budoucí příležitosti a rizika
  • Převádí surová data na využitelné informace
  • Poskytuje faktickou podporu pro informovaná rozhodnutí

Lidé se snaží zastavit klesající finanční šipku

Analýza dat z průzkumů v Pythonu

Lineární regrese metodou nejmenších čtverců (OLS)

  • Model lineární regrese
    • Předpokládá lineární vztah mezi proměnnými x a y
    • y = m * x + b
    • Metoda nejmenších čtverců (OLS)
    • Sum((vypočtená-pozorovaná)^2) => minimalizace

https://seeing-theory.brown.edu/regression-analysis/index.html

1 https://seeing-theory.brown.edu/regression-analysis/index.html
Analýza dat z průzkumů v Pythonu

Načítání dat

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import statsmodels.api as sm

exercise_data = pd.read_csv('workout_survey_data.csv')
print(exercise_data.head())

| workout_minutes | calories_burned |
|-----------------|-----------------|
| 77              | 79.775152       |
| 21              | 23.177279       |
| 22              | 25.609262       |
| 20              | 17.857388       |
Analýza dat z průzkumů v Pythonu

Definice proměnných

x = nezávislá proměnná y = závislá proměnná

x = exercise_data.minutes.tolist()
y = exercise_data.calories.tolist() 
print(x,'\n',y)

| [77, 21, 22, 20, 36...           |
|----------------------------------|
| [79.7, 23.1, 25.6, 17.8, 41.8... |

Data z průzkumu

workout_minutes calories_burned
77 79.775152
21 23.177279
22 25.609262
20 17.857388
36 41.849864
Analýza dat z průzkumů v Pythonu

Přidání konstanty

x = sm.add_constant(x)
print (x)
  • Říká modelu, aby odhadl hodnotu b

Analýza dat z průzkumů v Pythonu

Provedení regrese a přizpůsobení modelu

result = sm.OLS(y,x).fit()
print(result.summary())

Analýza dat z průzkumů v Pythonu

Získání m a b

Analýza dat z průzkumů v Pythonu

Vykreslení původních hodnot

x = exercise_data.minutes.tolist()
y = exercise_data.calories.tolist()
plt.scatter(x,y)
plt.xlabel('minutes')
plt.ylabel('calories')
plt.show()

Analýza dat z průzkumů v Pythonu

Vykreslení regresní přímky

max_x = exercise_data.minutes.max()
min_x = exercise_data.minutes.min()
x = np.arange(min_x, max_x, 1)

y = 1.0072*x + 0.1552

plt.plot(y, 'r')
plt.show()

Analýza dat z průzkumů v Pythonu

Předpověď výstupu

y = 1.0072 * 30 + 0.1552
print(y)

30.3712
Analýza dat z průzkumů v Pythonu

Výhody a nevýhody lineární regrese

  • Výhoda
    • Dobře funguje, pokud jsou data lineárně separovatelná
  • Nevýhoda
    • Předpokládá lineární vztah i pro nelineární případy

Analýza dat z průzkumů v Pythonu

Pojďme si procvičit!

Analýza dat z průzkumů v Pythonu

Preparing Video For Download...