Comparer des modèles

Modèles linéaires généralisés en Python

Ita Cirovic Donev

Data Science Consultant

Déviance

  • Formule $$ D = -2LL(\beta) $$

  • Mesure d'erreur

  • Plus la déviance est faible $\rightarrow$ meilleur ajustement du modèle
  • Référence de comparaison : la déviance nulle $\rightarrow$ modèle avec seule l'ordonnée à l'origine
  • Évaluer
    • Ajouter une variable de bruit aléatoire réduit en moyenne la déviance de 1
    • Ajouter $p$ prédicteurs devrait réduire la déviance de plus de $p$
Modèles linéaires généralisés en Python

Déviance en Python

Sortie sommaire du modèle « y ~ distance100 » avec surbrillance sur la vraisemblance logarithmique et la statistique de déviance.

Modèles linéaires généralisés en Python

Calculer la déviance

  • Extraire la déviance nulle et la déviance
    # Extract null deviance
print(model.null_deviance)

4118.0992

# Extract model deviance
print(model.deviance)

4076.2378
  • Calculer la déviance à partir de la vraisemblance log
    print(-2*model.llf)

4076.2378
  • Réduction de la déviance de 41,86
  • L'inclusion de distance100 a amélioré l'ajustement
Modèles linéaires généralisés en Python

Complexité du modèle

  • model_1 et model_2, où
    • $L1 > L2$
    • Nombre de paramètres plus élevé dans model_2
  • model_2 présente du surapprentissage
Modèles linéaires généralisés en Python

Passons à la pratique !

Modèles linéaires généralisés en Python

Preparing Video For Download...