计算并描述预测

Python 中的广义线性模型

Ita Cirovic Donev

Data Science Consultant

计算预测

在获得模型拟合后

模型拟合流程图。

在获得模型拟合后

模型拟合与预测流程图。

马蹄蟹模型 y ~ weight $$ \mu = \frac{\exp(-3.6947+1.8151 \times weight)}{1+\exp(-3.6947+1.8151 \times weight)} $$
新测量：weight = 2.85

$$ \mu = \frac{\exp(-3.6947+1.8151 \times \color{blue}{2.85})}{1+\exp(-3.6947+1.8151 \times \color{blue}{2.85})} = 0.814 $$

计算数据集 new_data 的模型预测

# Compute model predictions
model_GLM.predict(exog = new_data)

给定概率阈值后模型输出的划分。

# Extract fitted probabilities from model
crab['fitted'] = model.fittedvalues.values

# Define cut-off value
cut_off = 0.4

# Compute class predictions
crab['pred_class'] = np.where(crab['fitted'] > cut_off, 1, 0)

# Count occurences for each class
crab['pred_class'].value_counts()

1    151
0     22

阈值	$\hat y=1$	$\hat y=0$
$\mu = 0.4$	151	22
$\mu = 0.5$	126	47

空的混淆矩阵。

混淆矩阵中的真负类。

混淆矩阵中的真负类和真正类。

混淆矩阵中的真负类、真正类与假正类。

混淆矩阵中的真负类、真正类、假正类与假负类。

print(pd.crosstab(y_actual, y_predicted, 
            rownames=['Actual'], colnames=['Predicted'], 
            margins = True))

Predicted   0    1  All
Actual                 
0          15   47   62
1           7  104  111
All        22  151  173

Python 中的广义线性模型