लिनीयर रिग्रेशन फिट करना

Python में statsmodels के साथ Regression परिचय

Maarten Van den Broeck

Content Developer at DataCamp

सीधी रेखाएँ दो चीज़ों से परिभाषित होती हैं

इंटरसेप्ट

जब $x$ शून्य हो, तब का $y$ मान.

स्लोप

यदि आप $x$ में 1 बढ़ाते हैं, तो $y$ जितना बढ़ता है.

समीकरण

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

इंटरसेप्ट का अनुमान

कुल भुगतान बनाम दावों की संख्या का स्कैटर प्लॉट, साथ में लिनीयर ट्रेंड लाइन. दावों के साथ भुगतान रैखिक रूप से बढ़ता है.

इंटरसेप्ट का अनुमान

कुल भुगतान बनाम दावों की संख्या का स्कैटर प्लॉट, जिसमें ट्रेंड लाइन के y-अक्ष को काटने वाले बिंदु को चिन्हित किया गया है.

इंटरसेप्ट का अनुमान

कुल भुगतान बनाम दावों की संख्या का स्कैटर प्लॉट, जिसमें दावों की संख्या शून्य होने पर का मान चिन्हित है.

स्लोप का अनुमान

कुल भुगतान बनाम दावों की संख्या का स्कैटर प्लॉट, जिसमें ट्रेंड लाइन के दो बिंदु चिन्हित हैं. एक बिंदु 1500 क्रोना और 40 दावों पर; दूसरा 3500 क्रोना और 100 दावों पर.

स्लोप का अनुमान

कुल भुगतान बनाम दावों की संख्या का स्कैटर प्लॉट, जिसमें दोनों बिंदुओं के बीच भुगतान का अंतर दिखाया गया है. 3500 क्रोना माइनस 1500 क्रोना = 2000 क्रोना.

स्लोप का अनुमान

कुल भुगतान बनाम दावों की संख्या का स्कैटर प्लॉट, जिसमें दोनों बिंदुओं के बीच दावों की संख्या का अंतर दिखाया गया है. 100 दावे माइनस 40 दावे = 60 दावे.

स्लोप का अनुमान

कुल भुगतान बनाम दावों की संख्या का स्कैटर प्लॉट, जिसमें भुगतान के अंतर और दावों की संख्या के अंतर के अनुपात को दिखाया गया है. 2000 को 60 से भाग देने पर लगभग 33 आता है.

मॉडल चलाना

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

मॉडल कोएफिशिएंट्स की व्याख्या

Intercept    19.994486
n_claims      3.413824
dtype: float64

समीकरण

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

अभ्यास करते हैं!

Python में statsmodels के साथ Regression परिचय