Devianz und lineare Transformation

Wie du in den vorherigen Übungen gesehen hast, sinkt die Devianz, wenn du eine Variable hinzufügst, die die Modellanpassung verbessert. In dieser Übung betrachtest du das Beispiel mit den Well-Switch-Daten und das Modell, das du mit der Variable distance angepasst hast. Du untersuchst aber, was passiert, wenn eine lineare Transformation der Variable vorgenommen wird.

Beachte: Die Variable distance100 ist die ursprüngliche Variable distance, dividiert durch 100, um die Ergebnisse aussagekräftiger darzustellen und zu interpretieren. Du kannst dir die Daten mit wells.head() ansehen, um die ersten 5 Zeilen zu sehen.

Der Datensatz wells und das Modell 'swicth ~ distance100' wurden als model_dist vorab geladen.

Diese Übung ist Teil des Kurses

Generalisierte lineare Modelle in Python

Kurs anzeigen

Anleitung zur Übung

Importiere statsmodels als sm und die Funktion glm().
Fitte ein logistisches Regressionsmodell mit distance als erklärender Variable und switch als Zielvariable und speichere es als model_dist_1.
Prüfe und gib die Differenz der Devianz zwischen dem aktuellen Modell und dem Modell mit distance100 als erklärender Variable aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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))

Code bearbeiten und ausführen