प्रेडिक्शंस की गणना और वर्णन

Python में Generalized Linear Models

Ita Cirovic Donev

Data Science Consultant

प्रेडिक्शंस की गणना

मॉडल फिट मिलने के बाद

मॉडल फिटिंग प्रक्रिया का आरेख.

मॉडल फिट मिलने के बाद

मॉडल फिटिंग और प्रेडिक्शन गणना की प्रक्रिया का आरेख.

हॉर्सशू क्रैब मॉडल y ~ weight $$ \mu = \frac{\exp(-3.6947+1.8151 \times weight)}{1+\exp(-3.6947+1.8151 \times weight)} $$
नया मापन: weight = 2.85

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

डेटासेट new_data के लिए मॉडल प्रेडिक्शंस निकालें
```
# Compute model predictions
model_GLM.predict(exog = new_data)
```

परिभाषित probability कटऑफ पर मॉडल आउटपुट का विभाजन.

# मॉडल से fitted probabilities निकालें
crab['fitted'] = model.fittedvalues.values

# कट-ऑफ मान तय करें
cut_off = 0.4

# क्लास प्रेडिक्शंस निकालें
crab['pred_class'] = np.where(crab['fitted'] > cut_off, 1, 0)

# हर क्लास के occurrences गिनें
crab['pred_class'].value_counts()

1    151
0     22

कट-ऑफ	$\hat y=1$	$\hat y=0$
$\mu = 0.4$	151	22
$\mu = 0.5$	126	47

खाली confusion matrix.

Confusion matrix में true negatives का प्रदर्शन.

Confusion matrix में true negatives और true positives का प्रदर्शन.

Confusion matrix में true negatives, true positives और false positives का प्रदर्शन.

Confusion matrix में true negatives, true positives, false positives और false negatives का प्रदर्शन.

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

Python में Generalized Linear Models