Deviance a lineární transformace

Jak jsi viděl/a v předchozích cvičeních, deviance se snížila pokaždé, když jsi přidal/a proměnnou, která zlepšila přizpůsobení modelu. V tomto cvičení se zaměříš na příklad s daty o přepínání studní a na model, který jsi natrénoval/a s proměnnou distance. Tentokrát ale zjistíš, co se stane při lineární transformaci proměnné.

Proměnná distance100 je původní proměnná distance vydělená hodnotou 100 – díky tomu je výsledná reprezentace a interpretace výsledků přehlednější. Data si můžeš prohlédnout pomocí wells.head(), které zobrazí prvních 5 řádků.

Dataset wells a model 'swicth ~ distance100' jsou předem načteny jako model_dist.

Toto cvičení je součástí kurzu

Zobecněné lineární modely v Pythonu

Zobrazit kurz

Pokyny k cvičení

Importuj statsmodels jako sm a funkci glm().
Přizpůsob logistický regresní model s proměnnou distance jako vysvětlující proměnnou a switch jako závislou proměnnou a výsledek ulož jako model_dist_1.
Zjisti a vypiš rozdíl v devianci aktuálního modelu a modelu s proměnnou distance100 jako vysvětlující proměnnou.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import functions
import ____.api as ____
from ____.____.api import ____

# Fit logistic regression model as save as model_dist_1
model_dist_1 = ____('____ ~ ____', data = ____, family = ____).____

# Check the difference in deviance of model_dist_1 and model_dist
print('Difference in deviance is: ', round(____.____ - ____.____,3))

Upravit a spustit kód