拟合线性回归

使用 Python 中的 statsmodels 进行回归入门

Maarten Van den Broeck

Content Developer at DataCamp

直线由两点决定

截距

当 $x$ 为 0 时的 $y$ 值。

斜率

$x$ 每增加 1，$y$ 增加的量。

方程

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

使用 Python 中的 statsmodels 进行回归入门

估计截距

总支付额与理赔次数的散点图及线性趋势线。理赔次数增加时，支付额线性上升。

使用 Python 中的 statsmodels 进行回归入门

估计截距

总支付额与理赔次数的散点图，标注趋势线与 y 轴的交点。

使用 Python 中的 statsmodels 进行回归入门

估计截距

总支付额与理赔次数的散点图，标注理赔次数为 0 时的取值。

使用 Python 中的 statsmodels 进行回归入门

估计斜率

总支付额与理赔次数的散点图，趋势线上两点：1500克朗、40次理赔；3500克朗、100次理赔。

使用 Python 中的 statsmodels 进行回归入门

估计斜率

总支付额与理赔次数的散点图，标注两点的支付差：3500克朗减去1500克朗等于2000克朗。

使用 Python 中的 statsmodels 进行回归入门

估计斜率

总支付额与理赔次数的散点图，标注两点的理赔次数差：100次减去40次等于60次。

使用 Python 中的 statsmodels 进行回归入门

估计斜率

总支付额与理赔次数的散点图，标注差值之比：2000除以60约等于33。

使用 Python 中的 statsmodels 进行回归入门

运行模型

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
使用 Python 中的 statsmodels 进行回归入门

解释模型系数

Intercept    19.994486
n_claims      3.413824
dtype: float64

方程

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

使用 Python 中的 statsmodels 进行回归入门

Ayo berlatih!

使用 Python 中的 statsmodels 进行回归入门

Preparing Video For Download...