Logistische Regression mit logit()

Für die logistische Regression brauchst du eine weitere Funktion aus statsmodels.formula.api: logit(). Sie verwendet dieselben Argumente wie ols(): ein Argument formula und data. Mit .fit() passt du das Modell an die Daten an.

Hier modellierst du, wie die Dauer der Kundenbeziehung die Abwanderung beeinflusst.

churn ist verfügbar.

Diese Übung ist Teil des Kurses

Einführung in Regression mit statsmodels in Python

Anleitung zur Übung

Importiere die Funktion logit() aus statsmodels.formula.api.
Fitte eine logistische Regression von has_churned gegen time_since_first_purchase mit dem Datensatz churn. Weise das Ergebnis mdl_churn_vs_relationship zu.
Gib die Parameter des angepassten Modells aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import logit
____

# Fit a logistic regression of churn vs. length of relationship using the churn dataset
mdl_churn_vs_relationship = ____

# Print the parameters of the fitted model
print(____)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Einführung in Regression mit statsmodels in Python

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Du lernst die Grundlagen dieses beliebten statistischen Modells, was Regression ist und wie sich lineare und logistische Regression unterscheiden. Anschließend erfährst du, wie du einfache lineare Regressionsmodelle mit numerischen und kategorialen erklärenden Variablen anpasst und wie du die Beziehung zwischen Ziel- und erklärenden Variablen mithilfe von Modellkoeffizienten beschreibst.

Exercise 1: Eine Geschichte von zwei Variablen Exercise 2: Welche ist die Zielvariable (Response-Variable)?Exercise 3: Zwei numerische Variablen visualisieren Exercise 4: Eine lineare Regression fitten Exercise 5: Den Achsenabschnitt schätzen Exercise 6: Schätze die Steigung Exercise 7: Lineare Regression mit ols()Exercise 8: Kategoriale erklärende Variablen Exercise 9: Numerisch vs. kategorial visualisieren Exercise 10: Mittelwerte nach Kategorie berechnen Exercise 11: Lineare Regression mit einer kategorialen erklärenden Variable

In diesem Kapitel erfährst du, wie du lineare Regressionsmodelle verwendest, um Vorhersagen zu Immobilienpreisen in Taiwan und Klicks auf Facebook-Anzeigen zu machen. Außerdem erweiterst du deine Regressionskenntnisse, indem du praktisch mit Modellobjekten arbeitest, das Konzept der „Regression zur Mitte“ verstehst und lernst, Variablen in einem Datensatz zu transformieren.

Exercise 1: Vorhersagen treffen Exercise 2: Hauspreise vorhersagen Exercise 3: Vorhersagen visualisieren Exercise 4: Die Grenzen von Vorhersagen Exercise 5: Mit Modellobjekten arbeiten Exercise 6: Modellelemente extrahieren Exercise 7: Hauspreise manuell vorhersagen Exercise 8: Regression zur Mitte Exercise 9: Home Run!Exercise 10: Aufeinanderfolgende Portfoliorenditen plotten Exercise 11: Konsekutive Renditen modellieren Exercise 12: Variablen transformieren Exercise 13: Transformation der erklärenden Variable Exercise 14: Auch die Zielvariable transformieren Exercise 15: Rücktransformation

In diesem Kapitel lernst du, wie du deinem Modell die richtigen Fragen stellst, um die Anpassung zu beurteilen. Du erfährst, wie du quantifizierst, wie gut ein lineares Regressionsmodell passt, mithilfe von Visualisierungen Modellprobleme diagnostizierst und die Hebelwirkung sowie den Einfluss jeder Beobachtung auf das Modell verstehst.

Exercise 1: Modellgüte quantifizieren Exercise 2: Bestimmtheitsmaß Exercise 3: Residuen-Standardfehler Exercise 4: Modellanpassung visualisieren Exercise 5: Residuen vs. angepasste Werte Exercise 6: Q-Q-Plot der Residuen Exercise 7: Scale-Location Exercise 8: Diagnostische Plots zeichnen Exercise 9: Ausreißer, Hebelwirkung und Einfluss Exercise 10: Leverage Exercise 11: Einfluss Exercise 12: Leverage und Einfluss extrahieren

Lerne, logistische Regressionsmodelle anzupassen. Mithilfe realer Daten sagst du die Wahrscheinlichkeit voraus, dass eine Kundin oder ein Kunde das Bankkonto schließt – sowohl als Erfolgswahrscheinlichkeit als auch als Chancenverhältnis – und quantifizierst die Modellgüte mit Konfusionsmatrizen.

Exercise 1: Warum du logistische Regression brauchst Exercise 2: Die erklärenden Variablen erkunden Exercise 3: Lineare und logistische Modelle visualisieren Exercise 4: Logistische Regression mit logit()

Aktuelle Übung

Exercise 5: Vorhersagen und Odds Ratios Exercise 6: Wahrscheinlichkeiten Exercise 7: Wahrscheinlichstes Ergebnis Exercise 8: Quotenverhältnis (Odds Ratio)Exercise 9: Log-Odds-Ratio Exercise 10: Güte der logistischen Regression quantifizieren Exercise 11: Die Konfusionsmatrix berechnen Exercise 12: Ein Mosaikdiagramm der Confusion-Matrix zeichnen Exercise 13: Accuracy, Sensitivity, Specificity Exercise 14: Leistung eines logistischen Modells messen Exercise 15: Glückwunsch