การถดถอยเชิงเส้นแบบความชันขนาน

Regression ระดับกลางด้วย statsmodels ใน Python

Maarten Van den Broeck

Content Developer at DataCamp

คอร์สก่อนหน้า

คอร์สนี้ต่อยอดจาก Introduction to Regression with statsmodels in Python

จากการถดถอยอย่างง่ายสู่การถดถอยพหุ

การถดถอยพหุ คือโมเดลการถดถอยที่มีตัวแปรอธิบายมากกว่าหนึ่งตัว

การเพิ่มตัวแปรอธิบายช่วยให้ได้ insight ที่ลึกขึ้น และ การพยากรณ์ที่แม่นยำขึ้น

เนื้อหาของคอร์ส

บทที่ 1

การถดถอยแบบ "ความชันขนาน"

บทที่ 2

Interactions
Simpson's Paradox

บทที่ 3

ตัวแปรอธิบายเพิ่มเติม
การถดถอยเชิงเส้นทำงานอย่างไร

บทที่ 4

การถดถอยโลจิสติกพหุ
การแจกแจงโลจิสติก
การถดถอยโลจิสติกทำงานอย่างไร

ชุดข้อมูลปลา

mass_g	length_cm	species
242.0	23.2	Bream
5.9	7.5	Perch
200.0	30.0	Pike
40.0	12.9	Roach

แต่ละแถวแทนปลาหนึ่งตัว
mass_g คือตัวแปรตอบสนอง
มีตัวแปรอธิบาย 1 ตัวเชิงตัวเลข และ 1 ตัวเชิงกลุ่ม

ทีละตัวแปรอธิบาย

from statsmodels.formula.api import ols

mdl_mass_vs_length = ols("mass_g ~ length_cm",
                         data=fish).fit()

print(mdl_mass_vs_length.params)

Intercept   -536.223947
length_cm     34.899245
dtype: float64

ค่าสัมประสิทธิ์จุดตัดแกน 1 ตัว
ค่าสัมประสิทธิ์ความชัน 1 ตัว

mdl_mass_vs_species = ols("mass_g ~ species + 0",
                          data=fish).fit()

print(mdl_mass_vs_species.params)

species[Bream]    617.828571
species[Perch]    382.239286
species[Pike]     718.705882
species[Roach]    152.050000
dtype: float64

ค่าสัมประสิทธิ์จุดตัดแกน 1 ตัวต่อแต่ละกลุ่ม

ใช้ทั้งสองตัวแปรพร้อมกัน

mdl_mass_vs_both = ols("mass_g ~ length_cm + species + 0",
                       data=fish).fit()

print(mdl_mass_vs_both.params)

species[Bream]    -672.241866
species[Perch]    -713.292859
species[Pike]    -1089.456053
species[Roach]    -726.777799
length_cm           42.568554
dtype: float64

ค่าสัมประสิทธิ์ความชัน 1 ตัว
ค่าสัมประสิทธิ์จุดตัดแกน 1 ตัวต่อแต่ละกลุ่ม

เปรียบเทียบค่าสัมประสิทธิ์

print(mdl_mass_vs_length.params)

Intercept   -536.223947
length_cm     34.899245

print(mdl_mass_vs_both.params)

species[Bream]    -672.241866
species[Perch]    -713.292859
species[Pike]    -1089.456053
species[Roach]    -726.777799
length_cm           42.568554

print(mdl_mass_vs_species.params)

species[Bream]    617.828571
species[Perch]    382.239286
species[Pike]     718.705882
species[Roach]    152.050000

การแสดงภาพ: ตัวแปรอธิบายเชิงตัวเลข 1 ตัว

import matplotlib.pyplot as plt
import seaborn as sns

sns.regplot(x="length_cm",
            y="mass_g",
            data=fish,
            ci=None)

plt.show()

กราฟกระจายของน้ำหนักปลาเทียบกับความยาว พร้อมเส้นแนวโน้มเชิงเส้น

การแสดงภาพ: ตัวแปรอธิบายเชิงกลุ่ม 1 ตัว

sns.boxplot(x="species",
            y="mass_g",
            data=fish,
            showmeans=True)

กราฟ boxplot ของน้ำหนักปลาแยกตามชนิด

การแสดงภาพ: ตัวแปรอธิบายทั้งสองตัว

coeffs = mdl_mass_vs_both.params
print(coeffs)

species[Bream]    -672.241866
species[Perch]    -713.292859
species[Pike]    -1089.456053
species[Roach]    -726.777799
length_cm           42.568554

ic_bream, ic_perch, ic_pike, ic_roach, sl = coeffs

sns.scatterplot(x="length_cm",
                y="mass_g",
                hue="species",
                data=fish)

plt.axline(xy1=(0, ic_bream), slope=sl, color="blue")
plt.axline(xy1=(0, ic_perch), slope=sl, color="green")
plt.axline(xy1=(0, ic_pike), slope=sl, color="red")
plt.axline(xy1=(0, ic_roach), slope=sl, color="orange")

โมเดลความชันขนานของน้ำหนักปลาเทียบกับความยาว แยกตามชนิด

มาฝึกกันเถอะ!

Regression ระดับกลางด้วย statsmodels ใน Python