Calculer et décrire des prédictions

Modèles linéaires généralisés en Python

Ita Cirovic Donev

Data Science Consultant

Calcul des prédictions

Après l'ajustement du modèle

  1. Valeurs ajustées pour les valeurs $x$ d'origine

Schéma du processus d'ajustement du modèle.

Modèles linéaires généralisés en Python

Calcul des prédictions

Après l'ajustement du modèle

  1. valeurs ajustées pour les valeurs $x$ d'origine

  2. Nouvelles valeurs de $x$ pour les valeurs prédites

Schéma de l'ajustement et du calcul des prédictions.

Modèles linéaires généralisés en Python

Calcul des prédictions

  • Modèle crabe fer à cheval y ~ weight $$ \mu = \frac{\exp(-3.6947+1.8151 \times weight)}{1+\exp(-3.6947+1.8151 \times weight)} $$

  • Nouvelle mesure : weight = 2.85

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

Modèles linéaires généralisés en Python

Prédictions en Python

  • Calculer les prédictions du modèle pour l'ensemble new_data
    # Compute model predictions
model_GLM.predict(exog = new_data)
Modèles linéaires généralisés en Python

Des probabilités aux classes

Séparation de la sortie du modèle selon un seuil de probabilité défini.

Modèles linéaires généralisés en Python

Calcul des classes prédites

# 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)
Modèles linéaires généralisés en Python

Calcul des classes prédites

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

1    151
0     22
Seuil $\hat y=1$ $\hat y=0$
$\mu = 0.4$ 151 22
$\mu = 0.5$ 126 47
Modèles linéaires généralisés en Python

Matrice de confusion

Matrice de confusion vide.

Modèles linéaires généralisés en Python

Matrice de confusion — vrais négatifs

Présentation des vrais négatifs dans la matrice de confusion.

Modèles linéaires généralisés en Python

Matrice de confusion — vrais positifs

Présentation des vrais négatifs et des vrais positifs dans la matrice de confusion.

Modèles linéaires généralisés en Python

Matrice de confusion — faux positifs

Présentation des vrais négatifs, vrais positifs et faux positifs dans la matrice de confusion.

Modèles linéaires généralisés en Python

Matrice de confusion — faux négatifs

Présentation des vrais négatifs, vrais positifs, faux positifs et faux négatifs dans la matrice de confusion.

Modèles linéaires généralisés en Python

Matrice de confusion en Python

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
Modèles linéaires généralisés en Python

Passons à la pratique !

Modèles linéaires généralisés en Python

Preparing Video For Download...