Transformarea variabilelor

Introducere în regresia cu statsmodels în Python

Maarten Van den Broeck

Content Developer at DataCamp

Setul de date Perch

perch = fish[fish["species"] == "Perch"]
print(perch.head())

   species  mass_g  length_cm
55   Perch     5.9        7.5
56   Perch    32.0       12.5
57   Perch    40.0       13.8
58   Perch    51.5       15.0
59   Perch    70.0       15.7

Biban european, _Perca fluviatilis_

Introducere în regresia cu statsmodels în Python

Relația nu este liniară

sns.regplot(x="length_cm",
            y="mass_g",
            data=perch,
            ci=None)

plt.show()

Grafic de dispersie al masei bibilanilor față de lungime, cu linie de tendință. Bibilanii devin mai grei mai rapid decât liniar pe măsură ce cresc, rezultând o curbă ascendentă.

Introducere în regresia cu statsmodels în Python

Plătică vs. biban

Un plătică comună. Plăticile sunt destul de plate.

Un biban european. Bibilanii sunt destul de rotunzi.

Introducere în regresia cu statsmodels în Python

Masă vs. lungime la cub — grafic

perch["length_cm_cubed"] = perch["length_cm"] ** 3

sns.regplot(x="length_cm_cubed",
            y="mass_g",
            data=perch,
            ci=None)
plt.show()

Grafic de dispersie al masei bibilanilor față de lungimea la cub, cu o linie de tendință. După această transformare, punctele sunt aproape de linia de tendință.

Introducere în regresia cu statsmodels în Python

Modelare: masă vs. lungime la cub

perch["length_cm_cubed"] = perch["length_cm"] ** 3

mdl_perch = ols("mass_g ~ length_cm_cubed", data=perch).fit()
mdl_perch.params

Intercept         -0.117478
length_cm_cubed    0.016796
dtype: float64
Introducere în regresia cu statsmodels în Python

Predicție: masă vs. lungime la cub

explanatory_data = pd.DataFrame({"length_cm_cubed": np.arange(10, 41, 5) ** 3,
                                 "length_cm": np.arange(10, 41, 5)})

prediction_data = explanatory_data.assign(
  mass_g=mdl_perch.predict(explanatory_data))
print(prediction_data)

   length_cm_cubed  length_cm       mass_g
0             1000         10    16.678135
1             3375         15    56.567717
2             8000         20   134.247429
3            15625         25   262.313982
4            27000         30   453.364084
5            42875         35   719.994447
6            64000         40  1074.801781
Introducere în regresia cu statsmodels în Python

Masă vs. lungime la cub — grafic

fig = plt.figure()
sns.regplot(x="length_cm_cubed", y="mass_g",
            data=perch, ci=None)
sns.scatterplot(data=prediction_data,
                x="length_cm_cubed", y="mass_g",
                color="red", marker="s")

Grafic de dispersie al masei bibilanilor față de lungimea la cub, cu linie de tendință, adnotat cu puncte calculate prin predict(). Punctele urmează exact linia de tendință.

fig = plt.figure()
sns.regplot(x="length_cm", y="mass_g",
            data=perch, ci=None)
sns.scatterplot(data=prediction_data,
                x="length_cm", y="mass_g",
                color="red", marker="s")

Grafic de dispersie al masei bibilanilor față de lungime, cu linie de tendință, adnotat cu puncte calculate prin predict(). Punctele nu urmează linia de tendință, dar urmează curba datelor.

Introducere în regresia cu statsmodels în Python

Setul de date publicitar Facebook

Cum funcționează publicitatea

  1. Plătești Facebook pentru a afișa reclame.
  2. Utilizatorii văd reclamele („impresii").
  3. Unii utilizatori dau clic pe ele.

 

  • 936 de rânduri
  • Fiecare rând reprezintă 1 reclamă
spent_usd n_impressions n_clicks
1.43 7350 1
1.82 17861 2
1.25 4259 1
1.29 4133 1
4.77 15615 3
... ... ...
Introducere în regresia cu statsmodels în Python

Graficul este aglomerat

sns.regplot(x="spent_usd",
            y="n_impressions",
            data=ad_conversion,
            ci=None)

Grafic de dispersie al numărului de impresii față de cheltuielile publicitare, cu linie de tendință. Majoritatea punctelor sunt concentrate în colțul din stânga jos.

Introducere în regresia cu statsmodels în Python

Rădăcină pătrată vs. rădăcină pătrată

ad_conversion["sqrt_spent_usd"] = np.sqrt(
  ad_conversion["spent_usd"])

ad_conversion["sqrt_n_impressions"] = np.sqrt(
  ad_conversion["n_impressions"])

sns.regplot(x="sqrt_spent_usd",
            y="sqrt_n_impressions",
            data=ad_conversion,
            ci=None)

Grafic de dispersie al rădăcinii pătrate a numărului de impresii față de rădăcina pătrată a cheltuielilor publicitare, cu linie de tendință. Punctele sunt acum distribuite mai uniform.

Introducere în regresia cu statsmodels în Python

Modelare și predicție

mdl_ad = ols("sqrt_n_impressions ~ sqrt_spent_usd", data=ad_conversion).fit()

explanatory_data = pd.DataFrame({"sqrt_spent_usd": np.sqrt(np.arange(0, 601, 100)),
                                 "spent_usd": np.arange(0, 601, 100)})

prediction_data = explanatory_data.assign(sqrt_n_impressions=mdl_ad.predict(explanatory_data),
                          n_impressions=mdl_ad.predict(explanatory_data) ** 2)
print(prediction_data)

   sqrt_spent_usd  spent_usd  sqrt_n_impressions  n_impressions
0        0.000000          0           15.319713   2.346936e+02
1       10.000000        100          597.736582   3.572890e+05
2       14.142136        200          838.981547   7.038900e+05
3       17.320508        300         1024.095320   1.048771e+06
4       20.000000        400         1180.153450   1.392762e+06
5       22.360680        500         1317.643422   1.736184e+06
6       24.494897        600         1441.943858   2.079202e+06
Introducere în regresia cu statsmodels în Python

Să exersăm!

Introducere în regresia cu statsmodels în Python

Preparing Video For Download...