Ověření kvality modelu

Ve videu jsi analyzoval/a příklad zlepšení kvality modelu přidáním další proměnné na datech wells. Pokračuj s tímto datasetem a sleduj, jak další nárůst složitosti modelu ovlivňuje devianci a kvalitu přizpůsobení.

Dataset wells je předem načtený v pracovním prostředí.

Toto cvičení je součástí kurzu

Zobecněné lineární modely v Pythonu

Zobrazit kurz

Pokyny k cvičení

Natrénuj logistický regresní model s proměnnou switch jako odezvou a proměnnými distance100 a arsenic jako vysvětlujícími proměnnými.
Vypočítej rozdíl v devianci mezi modelem pouze s interceptem a modelem zahrnujícím všechny proměnné.
Vytiskni vypočítaný rozdíl.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import statsmodels
import ____.____ as sm
from ____.____.____ import glm

# Define model formula
formula = '____ ~ ____'

# Fit GLM
model_dist_ars = glm(____, ____ = ____, ____ = sm.____.____).____

# Compare deviance of null and residual model
diff_deviance = ____.____ - ____.____

# Print the computed difference in deviance
____(____)

Upravit a spustit kód