मॉडल इनफ़ेरेंस की व्याख्या

Python में Generalized Linear Models

Ita Cirovic Donev

Data Science Consultant

बीटा गुणांक का अनुमान

लाइकलिहुड फंक्शन

फिटेड मॉडल का समरी आउटपुट

गुणांक अनुमान पर हाइलाइट की गई सांख्यिकियों के साथ फिटेड मॉडल का समरी आउटपुट.

जब standard error बड़ा हो तब लाइकलिहुड का विज़ुअलाइज़ेशन.

जब standard error छोटा हो तब लाइकलिहुड का विज़ुअलाइज़ेशन.

# Extract variance-covariance matrix
print(model_GLM.cov_params())

           Intercept    weight
Intercept   0.774762 -0.325087
weight     -0.325087  0.141903

# Compute standard error for weight
std_error = np.sqrt(0.141903)

0.3767

वेरिएंस-कोवेरिएंस मैट्रिक्स

वेरिएंस-कोवेरिएंस मैट्रिक्स का चित्रण

z-स्टैटिस्टिक $$ \color{#2485F2}{z=\hat\beta/SE} $$
$\color{#2485F2}{z}$ बड़ा $\Rightarrow$ गुणांक $\ne0$ $\Rightarrow$ वैरिएबल सार्थक
सामान्य नियम: कट-ऑफ मान 2

उदाहरण: हॉर्सशू क्रैब मॉडल
y ~ weight

$z = 1.8151/0.377 = 4.819$

$$ [\color{#5A5AF3}{lower},\color{#D8498E}{upper}] $$

$$ [\color{#5A5AF3}{\hat\beta - 1.96 \times SE},\color{#D8498E}{\hat\beta+1.96 \times SE}] $$

उदाहरण: हॉर्सशू क्रैब मॉडल

                 coef    std err   
<hr />-------------------------------
Intercept     -3.6947      0.880  
weight         1.8151      0.377

print(model_GLM.conf_int())

                  0         1
Intercept -5.419897 -1.969555
weight     1.076826  2.553463

print(model_GLM.conf_int())

              lower         1
Intercept -5.419897 -1.969555
weight     1.076826  2.553463

print(model_GLM.conf_int())

                  0     upper
Intercept -5.419897 -1.969555
weight     1.076826  2.553463

print(np.exp(model_GLM.conf_int()))

                  0          1
Intercept  0.004428   0.139519
weight     2.935348  12.851533

Python में Generalized Linear Models