Výpočet predikcí

V praxi nás často zajímá využití natrénované logistické regrese k odhadování pravděpodobností a konstrukci intervalů spolehlivosti pro tyto odhady. Pracujeme s datasetem wells a modelem 'switch ~ arsenic'. Představ si, že máš nová pozorování wells_test, která nebyla součástí trénovací sady, a chceš předpovědět pravděpodobnost přechodu k nejbližší bezpečné studni.

K tomu využiješ metodu .predict().

Měj na paměti, že .predict() přijímá několik argumentů:

exog – nová pozorování (testovací dataset)
transform = True – předá formuli modelu y ~ x datům.

Pokud exog není zadáno, pravděpodobnosti se vypočítají pro trénovací dataset.

Model wells_fit a datasety wells a wells_test jsou v pracovním prostoru předem načteny.

Toto cvičení je součástí kurzu

Zobecněné lineární modely v Pythonu

Zobrazit kurz

Pokyny k cvičení

Pomocí natrénovaného modelu wells_fit vypočítej predikce na testovacích datech wells_test a výsledek ulož jako prediction.
Přidej prediction do stávajícího dataframu wells_test a pojmenuj sloupec prediction.
Pomocí print() zobraz prvních 5 řádků dataframu wells_test se sloupci switch, arsenic a prediction. K zobrazení pouze prvních 5 řádků použij funkci head() z knihovny pandas.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Compute predictions for the test sample wells_test and save as prediction
prediction = ____.predict(exog = ____)

# Add prediction to the existing data frame wells_test and assign column name prediction
____[____] = ____

# Examine the first 5 computed predictions
print(____[[____, ____, ____]].head())

Upravit a spustit kód