計算與描述預測

Generalized Linear Models in Python

Ita Cirovic Donev

Data Science Consultant

計算預測

取得模型擬合後

模型擬合流程圖。

取得模型擬合後

模型擬合與計算預測的流程圖。

馬蹄蟹模型 y ~ weight $$ \mu = \frac{\exp(-3.6947+1.8151 \times weight)}{1+\exp(-3.6947+1.8151 \times weight)} $$
新量測：weight = 2.85

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

對資料集 new_data 計算模型預測

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

依機率門檻分離模型輸出。

# 從模型取出擬合機率
crab['fitted'] = model.fittedvalues.values

# 定義門檻值
cut_off = 0.4

# 計算類別預測
crab['pred_class'] = np.where(crab['fitted'] > cut_off, 1, 0)

# 計算各類別出現次數
crab['pred_class'].value_counts()

1    151
0     22

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

空的混淆矩陣。

在混淆矩陣中標示真負類。

在混淆矩陣中標示真負類與真正類。

在混淆矩陣中標示真負類、真正類與假正類。

在混淆矩陣中標示真負類、真正類、假正類與假負類。

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

Generalized Linear Models in Python