Регрессионный анализ

Анализ данных опросов на Python

EbunOluwa Andrew

Data Scientist

Регрессионный анализ

Изучение взаимосвязи между переменными
Используется для прогнозирования точного результата
Оценка влияния независимых переменных на зависимую
Прогнозирование будущих возможностей и рисков
Преобразует большие массивы данных в actionable information
Обеспечивает фактическую основу для обоснованных решений

Люди пытаются остановить падение финансового графика

Линейная регрессия методом наименьших квадратов (OLS)

Модель линейной регрессии
- Предполагает линейную связь между переменными x и y
- y = m * x + b
- Метод наименьших квадратов (OLS)
- Sum((calculated-observed)^2) => minimized

¹ https://seeing-theory.brown.edu/regression-analysis/index.html

Загрузка данных

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import statsmodels.api as sm

exercise_data = pd.read_csv('workout_survey_data.csv')
print(exercise_data.head())

| workout_minutes | calories_burned |
|-----------------|-----------------|
| 77              | 79.775152       |
| 21              | 23.177279       |
| 22              | 25.609262       |
| 20              | 17.857388       |

Определение переменных

x = независимая переменная y = зависимая переменная

x = exercise_data.minutes.tolist()
y = exercise_data.calories.tolist() 
print(x,'\n',y)

| [77, 21, 22, 20, 36...           |
|----------------------------------|
| [79.7, 23.1, 25.6, 17.8, 41.8... |

Данные опроса

workout_minutes	calories_burned
77	79.775152
21	23.177279
22	25.609262
20	17.857388
36	41.849864

Добавление константного члена

x = sm.add_constant(x)
print (x)

Указывает модели вычислить значение b

Построение и подгонка регрессии

result = sm.OLS(y,x).fit()
print(result.summary())

Извлечение m и b

Построение исходных значений

x = exercise_data.minutes.tolist()
y = exercise_data.calories.tolist()
plt.scatter(x,y)
plt.xlabel('minutes')
plt.ylabel('calories')
plt.show()

Построение линии регрессии

max_x = exercise_data.minutes.max()
min_x = exercise_data.minutes.min()
x = np.arange(min_x, max_x, 1)

y = 1.0072*x + 0.1552

plt.plot(y, 'r')
plt.show()

Прогнозирование отклика

y = 1.0072 * 30 + 0.1552
print(y)

30.3712

Плюсы и минусы линейной регрессии

Преимущества
- Хорошо работает, когда данные линейно разделимы
Недостатки
- Предполагает линейную зависимость даже для нелинейных случаев

Давайте потренируемся!

Анализ данных опросов на Python