Обчислення й опис прогнозів

Узагальнені лінійні моделі в Python

Ita Cirovic Donev

Data Science Consultant

Обчислення прогнозів

Після оцінювання моделі

Схема процесу підгонки моделі.

Після оцінювання моделі

Схема підгонки моделі та обчислення прогнозів.

Модель підковоподібного краба y ~ weight $$ \mu = \frac{\exp(-3.6947+1.8151 \times weight)}{1+\exp(-3.6947+1.8151 \times weight)} $$
Нове вимірювання: weight = 2.85

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

Обчисліть прогнози моделі для набору даних new_data
```
# Compute model predictions
model_GLM.predict(exog = new_data)
```

Розділення виходу моделі за заданим порогом імовірності.

# 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

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

Пуста матриця неточностей.

Позначення істинних нулів у матриці неточностей.

Позначення істинних нулів та істинних одиниць у матриці неточностей.

Позначення істинних нулів, істинних одиниць і хибних одиниць у матриці неточностей.

Позначення істинних нулів, істинних одиниць, хибних одиниць і хибних нулів у матриці неточностей.

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

Узагальнені лінійні моделі в Python