Calcularea și descrierea predicțiilor

Modele Liniare Generalizate în Python

Ita Cirovic Donev

Data Science Consultant

Calcularea predicțiilor

După ajustarea modelului

Diagrama procesului de ajustare a modelului.

După ajustarea modelului

Diagrama procesului de ajustare a modelului și calcularea predicțiilor.

Modelul pentru crabul potcoavă y ~ weight $$ \mu = \frac{\exp(-3.6947+1.8151 \times weight)}{1+\exp(-3.6947+1.8151 \times weight)} $$
Măsurătoare nouă: weight = 2.85

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

Calcularea predicțiilor modelului pentru setul new_data

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

Separarea rezultatelor modelului în funcție de pragul de probabilitate definit.

# 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

Cut-off	$\hat y=1$	$\hat y=0$
$\mu = 0.4$	151	22
$\mu = 0.5$	126	47

Matrice de confuzie goală.

Prezentarea negativelor adevărate în matricea de confuzie.

Prezentarea negativelor și pozitivelor adevărate în matricea de confuzie.

Prezentarea negativelor adevărate, pozitivelor adevărate și falselor pozitive în matricea de confuzie.

Prezentarea negativelor adevărate, pozitivelor adevărate, falselor pozitive și falselor negative în matricea de confuzie.

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

Modele Liniare Generalizate în Python