Grattis!
Generaliserade linjära modeller i Python
Ita Cirovic Donev
Data Science Consultant
MODELL
- Data $\rightarrow$
- Länkfunktion $\rightarrow$
- Modell $\rightarrow$
- 1 enhets ökning i $x \rightarrow$
LOGISTISK REGRESSION
- Binär
- Logit
- $logit(y) = \beta_0+\beta_1x_1$
- ökar $\color{red}{\text{log-odds }}$ med $\beta_1$
LINJÄR MODELL
- Kontinuerlig
- Identitet
- $y = \beta_0+\beta_1x_1$
- ökar $\color{red}{y}$ med $\beta_1$
POISSONREGRESSION
- Räknedata
- Logaritm
- $log(\lambda) = \beta_0+\beta_1x_1$
- $\color{red}{\text{multiplicerar } \lambda}$ med $exp(\beta_1)$
VIKTIGA PYTHON-FUNKTIONER
- Anpassa modellen
statmodels$\rightarrow$
LINJÄR MODELL
glm('y ~ x', data)
glm('y ~ x', data,
family = sm.families.Gaussian())
LOGISTISK REGRESSION
glm('y ~ x', data,
family = sm.families.Binomial())
POISSONREGRESSION
glm('y ~ x', data,
family = sm.families.Poisson())
Nästa steg...
- DataCamp-kurser
- Utmärkta referensböcker
- Regression Modeling Strategies av Frank E. Harrell, Jr.
- An Introduction to Categorical Data Analysis av Alan Agresti
- Applied Predictive Modeling av Max Kuhn och Kjell Johnson
Lycka till med modelleringen!
Generaliserade linjära modeller i Python
