Kategoriska förklaringsvariabler

Introduktion till regression med statsmodels i Python

Maarten Van den Broeck

Content Developer at DataCamp

Fiskdatamängd

Varje rad representerar en fisk.
Datamängden innehåller 128 rader.
Det finns 4 fiskarter:
- Braxen
- Abborre
- Gädda
- Mört

species	mass_g
Bream	242.0
Perch	5.9
Pike	200.0
Roach	40.0
...	...

Visualisera 1 numerisk och 1 kategorisk variabel

import matplotlib.pyplot as plt
import seaborn as sns

sns.displot(data=fish,
            x="mass_g",
            col="species",
            col_wrap=2,
            bins=9)

plt.show()

Ett facetterat histogram över antal fiskar och deras vikt. Varje panel visar en art: braxen, abborre, gädda eller mört.

Sammanfattande statistik: medelvikt per art

summary_stats = fish.groupby("species")["mass_g"].mean()
print(summary_stats)

species
Bream    617.828571
Perch    382.239286
Pike     718.705882
Roach    152.050000
Name: mass_g, dtype: float64

Linjär regression

from statsmodels.formula.api import ols 
mdl_mass_vs_species = ols("mass_g ~ species", data=fish).fit()

print(mdl_mass_vs_species.params)

Intercept           617.828571
species[T.Perch]   -235.589286
species[T.Pike]     100.877311
species[T.Roach]   -465.778571

Modell med eller utan intercept

Från föregående bild: modell med intercept

mdl_mass_vs_species = ols(
  "mass_g ~ species", data=fish).fit()

print(mdl_mass_vs_species.params)

Intercept           617.828571
species[T.Perch]   -235.589286
species[T.Pike]     100.877311
species[T.Roach]   -465.778571

Koefficienterna är relativa till interceptet: $617.83 - 235.59 = 382.24!$

Modell utan intercept

mdl_mass_vs_species = ols(
  "mass_g ~ species + 0", data=fish).fit()

print(mdl_mass_vs_species.params)

species[Bream]    617.828571
species[Perch]    382.239286
species[Pike]     718.705882
species[Roach]    152.050000

Med en enda kategorisk variabel motsvarar koefficienterna medeltalen.

Nu kör vi en övning!

Introduktion till regression med statsmodels i Python