Beräkna och beskriva prediktioner

Generaliserade linjära modeller i Python

Ita Cirovic Donev

Data Science Consultant

Beräkna prediktioner

Efter att modellen anpassats

Diagram över modellanpassningsprocessen.

Efter att modellen anpassats

Diagram över modellanpassning och beräkning av prediktioner.

Hästskrabbemodell y ~ weight $$ \mu = \frac{\exp(-3.6947+1.8151 \times weight)}{1+\exp(-3.6947+1.8151 \times weight)} $$
Ny mätning: weight = 2.85

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

Beräkna modellprediktioner för datamängden new_data

# Compute model predictions
model_GLM.predict(exog = new_data)

Uppdelning av modellens utdata givet ett definierat sannolikhetsgränsvärde.

# Extract fitted probabilities from model
crab['fitted'] = model.fittedvalues.values

# Define cut-off value
cut_off = 0.4

# Compute class predictions
crab['pred_class'] = np.where(crab['fitted'] > cut_off, 1, 0)

# Count occurences for each class
crab['pred_class'].value_counts()

1    151
0     22

Gränsvärde	$\hat y=1$	$\hat y=0$
$\mu = 0.4$	151	22
$\mu = 0.5$	126	47

Tom konfusionsmatris.

Presentation av sanna negativa i konfusionsmatrisen.

Presentation av sanna negativa och sanna positiva i konfusionsmatrisen.

Presentation av sanna negativa, sanna positiva och falska positiva i konfusionsmatrisen.

Presentation av sanna negativa, sanna positiva, falska positiva och falska negativa i konfusionsmatrisen.

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

Generaliserade linjära modeller i Python