मॉडल प्रदर्शन का आकलन
इंटरमीडिएट Regression with statsmodels in Python
Maarten Van den Broeck
Content Developer at DataCamp
मॉडल प्रदर्शन मेट्रिक्स
Coefficient of determination (R-squared): linear regression लाइन देखे गए मानों पर कितनी फ़िट बैठती है.
- बड़ा मान बेहतर.
Residual standard error (RSE): residuals का सामान्य आकार.
- छोटा मान बेहतर.
Coefficient of determination प्राप्त करना
print(mdl_mass_vs_length.rsquared)
0.8225689502644215
print(mdl_mass_vs_species.rsquared)
0.25814887709499157
print(mdl_mass_vs_both.rsquared)
0.9200433561156649
Adjusted coefficient of determination
- अधिक explanatory variables से $R^2$ बढ़ता है.
- बहुत ज़्यादा explanatory variables से overfitting होता है.
- Adjusted coefficient of determination अतिरिक्त variables पर दंड लगाता है.
- $\bar{R ^ 2} = 1 - (1 - R ^ 2) \frac{n_{obs} - 1}{n_{obs} - n_{var} - 1}$
- दंड तब ज़्यादा दिखता है जब $R^2$ छोटा हो, या $n_{var}$, $n_{obs}$ का बड़ा भाग हो.
statsmodelsमें यहrsquared_adjattribute में होता है.
Adjusted coefficient of determination प्राप्त करना
print("rsq_length: ", mdl_mass_vs_length.rsquared)
print("rsq_adj_length: ", mdl_mass_vs_length.rsquared_adj)
rsq_length: 0.8225689502644215
rsq_adj_length: 0.8211607673300121
print("rsq_species: ", mdl_mass_vs_species.rsquared)
print("rsq_adj_species: ", mdl_mass_vs_species.rsquared_adj)
rsq_species: 0.25814887709499157
rsq_adj_species: 0.24020086605696722
print("rsq_both: ", mdl_mass_vs_both.rsquared
print("rsq_adj_both: ", mdl_mass_vs_both.rsquared_adj)
rsq_both: 0.9200433561156649
rsq_adj_both: 0.9174431400543857
Residual standard error प्राप्त करना
rse_length = np.sqrt(mdl_mass_vs_length.mse_resid)
print("rse_length: ", rse_length)
rse_length: 152.12092835414788
rse_species = np.sqrt(mdl_mass_vs_species.mse_resid)
print("rse_species: ", rse_species)
rse_species: 313.5501156682592
rse_both = np.sqrt(mdl_mass_vs_both.mse_resid)
print("rse_both: ", rse_both)
rse_both: 103.35563303966488
अभ्यास करते हैं!
इंटरमीडिएट Regression with statsmodels in Python
