Přizpůsobení lineární regrese

Úvod do regrese s knihovnou statsmodels v Pythonu

Maarten Van den Broeck

Content Developer at DataCamp

Přímka je definována dvěma hodnotami

Průsečík

Hodnota $y$ v bodě, kde $x$ je rovno nule.

Sklon

O kolik se zvýší $y$, pokud zvýšíte $x$ o jedničku.

Rovnice

$y = \text{intercept} + \text{slope} * x$

Odhadování průsečíku

Bodový graf celkových plateb vs. počtu pojistných událostí s lineární trendovou linií. Platby rostou lineárně s počtem událostí.

Odhadování průsečíku

Bodový graf celkových plateb vs. počtu pojistných událostí s vyznačeným bodem, kde trendová linie protíná osu y.

Odhadování průsečíku

Bodový graf celkových plateb vs. počtu pojistných událostí s vyznačenou hodnotou při nulovém počtu událostí.

Odhadování sklonu

Bodový graf celkových plateb vs. počtu pojistných událostí s vyznačenými dvěma body na trendové linii. Jeden bod je na 1 500 korunách a 40 událostech, druhý na 3 500 korunách a 100 událostech.

Odhadování sklonu

Bodový graf celkových plateb vs. počtu pojistných událostí s vyznačeným rozdílem plateb mezi dvěma body. 3 500 korun minus 1 500 korun je 2 000 korun.

Odhadování sklonu

Bodový graf celkových plateb vs. počtu pojistných událostí s vyznačeným rozdílem počtu událostí mezi dvěma body. 100 událostí minus 40 událostí je 60 událostí.

Odhadování sklonu

Bodový graf celkových plateb vs. počtu pojistných událostí s vyznačeným poměrem rozdílu plateb a rozdílu počtu událostí. 2 000 děleno 60 je přibližně 33.

Spuštění modelu

from statsmodels.formula.api import ols

mdl_payment_vs_claims = ols("total_payment_sek ~ n_claims",
                            data=swedish_motor_insurance)


mdl_payment_vs_claims = mdl_payment_vs_claims.fit()

print(mdl_payment_vs_claims.params)

Intercept    19.994486
n_claims      3.413824
dtype: float64

Interpretace koeficientů modelu

Intercept    19.994486
n_claims      3.413824
dtype: float64

Rovnice

$\text{total\_payment\_sek} = 19.99 + 3.41 * \text{n\_claims}$

Pojďme si procvičit!

Úvod do regrese s knihovnou statsmodels v Pythonu