ตัวแปรอธิบายเชิงตัวเลขสองตัว

Regression ระดับกลางด้วย statsmodels ใน Python

Maarten Van den Broeck

Content Developer at DataCamp

การแสดงผลตัวแปรเชิงตัวเลขสามตัว

Scatter plot แบบ 3D
Scatter plot แบบ 2D ที่ใช้สีแทนค่า response

คอลัมน์ใหม่ในชุดข้อมูลปลา

species	mass_g	length_cm	height_cm
Bream	1000	33.5	18.96
Bream	925	36.2	18.75
Roach	290	24.0	8.88
Roach	390	29.5	9.48
Perch	1100	39.0	12.80
Perch	1000	40.2	12.60
Pike	1250	52.0	10.69
Pike	1650	59.0	10.81

Scatter plot แบบ 3D

Scatter plot แบบ 3D ของปลาทุกสายพันธุ์ โดยมีแกน length, mass และ height แปลผลได้ยากเมื่อแสดงบนระนาบ 2D

Scatter plot แบบ 2D ใช้สีแทน response

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

Scatter plot แบบ 2D ที่ใช้สีของ mass เพื่อแสดงตัวแปรเชิงตัวเลขตัวที่สาม

การสร้างโมเดลด้วยตัวแปรอธิบายเชิงตัวเลขสองตัว

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

print(mdl_mass_vs_both.params)

Intercept   -622.150234
length_cm     28.968405
height_cm     26.334804

ขั้นตอนการพยากรณ์

from itertools import product

length_cm = np.arange(5, 61, 5)
height_cm = np.arange(2, 21, 2)

p = product(length_cm, height_cm)

explanatory_data = pd.DataFrame(p,
                                columns=["length_cm",
                                         "height_cm"])

prediction_data = explanatory_data.assign(
  mass_g = mdl_mass_vs_both.predict(explanatory_data))

print(prediction_data)

     length_cm  height_cm       mass_g
0            5          2  -424.638603
1            5          4  -371.968995
2            5          6  -319.299387
3            5          8  -266.629780
4            5         10  -213.960172
..         ...        ...          ...
115         60         12  1431.971694
116         60         14  1484.641302
117         60         16  1537.310909
118         60         18  1589.980517
119         60         20  1642.650125

[120 rows x 3 columns]

การพล็อตค่าพยากรณ์

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

sns.scatterplot(x="length_cm",
                y="height_cm",
                data=prediction_data,
                hue="mass_g",
                legend=False,
                marker="s")

plt.show()

scatter plot ของ length, height และ mass ของปลา พร้อม prediction grid

การเพิ่ม interaction term

mdl_mass_vs_both_inter = ols("mass_g ~ length_cm * height_cm",
                             data=fish).fit()

print(mdl_mass_vs_both_inter.params)

Intercept              159.107480
length_cm                0.301426
height_cm              -78.125178
length_cm:height_cm      3.545435

ขั้นตอนการพยากรณ์เมื่อมี interaction

length_cm = np.arange(5, 61, 5)
height_cm = np.arange(2, 21, 2)

p = product(length_cm, height_cm)

explanatory_data = pd.DataFrame(p,
                                columns=["length_cm",
                                         "height_cm"])

prediction_data = explanatory_data.assign(
  mass_g = mdl_mass_vs_both_inter.predict(explanatory_data))

การพล็อตค่าพยากรณ์

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

sns.scatterplot(x="length_cm",
                y="height_cm",
                data=prediction_data,
                hue="mass_g",
                legend=False,
                marker="s")

plt.show()

scatter plot ของ length, height และ mass ของปลา พร้อม interaction term บน prediction grid

มาฝึกกันเถอะ!

Regression ระดับกลางด้วย statsmodels ใน Python