Log Odds Ratio

Ein Nachteil der Wahrscheinlichkeiten und Odds Ratios für logistische Regressionsvorhersagen ist, dass die Vorhersagelinien für beide gekrümmt sind. Das macht es schwieriger zu sagen, was mit der Vorhersage passiert, wenn du die erklärende Variable änderst. Der Logarithmus des Quotenverhältnisses (das "log odds ratio" oder "logit") hat eine lineare Beziehung zwischen der vorhergesagten Antwort und der erklärenden Variable. Das bedeutet, dass du bei Veränderungen der erklärenden Variable keine dramatischen Veränderungen in der Antwortmetrik siehst - nur lineare Veränderungen.

Da die tatsächlichen Werte der log Odds Ratio weniger intuitiv sind als die (lineare) Odds Ratio, ist es für die Visualisierung in der Regel besser, die Odds Ratio darzustellen und eine logarithmische Transformation auf die y-Achse anzuwenden.

mdl_churn_vs_relationship, explanatory_data, und prediction_data sind aus der vorherigen Übung verfügbar.

Diese Übung ist Teil des Kurses

Einführung in die Regression mit statsmodels in Python

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

# Update prediction data with log_odds_ratio
____

# Print the head
print(____)

Bearbeiten und Ausführen von Code

Diese Übung ist Teil des Kurses

Einführung in die Regression mit statsmodels in Python

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Du lernst die Grundlagen dieses beliebten statistischen Modells, was eine Regression ist und wie sich lineare und logistische Regressionen unterscheiden. Dann lernst du, wie du einfache lineare Regressionsmodelle mit numerischen und kategorialen erklärenden Variablen anpasst und wie du die Beziehung zwischen der Antwort und den erklärenden Variablen mit Modellkoeffizienten beschreibst.

Exercise 1: Eine Geschichte von zwei Variablen Exercise 2: Welche ist die Antwortvariable?Exercise 3: Zwei numerische Variablen visualisieren Exercise 4: Anpassen einer linearen Regression Exercise 5: Schätze den Achsenabschnitt Exercise 6: Schätze die Steigung Exercise 7: Lineare Regression mit ols()Exercise 8: Kategoriale erklärende Variablen Exercise 9: Visualisierung numerischer und kategorialer Daten Exercise 10: Berechnung der Mittelwerte nach Kategorie Exercise 11: Lineare Regression mit einer kategorialen erklärenden Variable

In diesem Kapitel erfährst du, wie du mit linearen Regressionsmodellen Vorhersagen über taiwanesische Hauspreise und Klicks auf Facebook-Werbung machen kannst. Du wirst auch deine Regressionskenntnisse erweitern, indem du mit Modellobjekten arbeitest, das Konzept der "Regression zum Mittelwert" verstehst und lernst, wie man Variablen in einem Datensatz umwandelt.

Exercise 1: Vorhersagen treffen Exercise 2: Hauspreise vorhersagen Exercise 3: Vorhersagen visualisieren Exercise 4: Die Grenzen der Vorhersage Exercise 5: Arbeiten mit Modellobjekten Exercise 6: Modellelemente extrahieren Exercise 7: Hauspreise manuell vorhersagen Exercise 8: Regression zum Mittelwert Exercise 9: Homerun!Exercise 10: Aufzeichnung der aufeinanderfolgenden Portfolio-Renditen Exercise 11: Modellierung aufeinanderfolgender Erträge Exercise 12: Variablen umwandeln Exercise 13: Transformieren der erklärenden Variable Exercise 14: Auch die Antwortvariable transformieren Exercise 15: Rückentransformation

In diesem Kapitel lernst du, wie du Fragen zu deinem Modell stellst, um die Passung zu beurteilen. Du lernst, wie du die Passgenauigkeit eines linearen Regressionsmodells quantifizierst, Modellprobleme mit Hilfe von Visualisierungen diagnostizierst und die Hebelwirkung und den Einfluss der einzelnen Beobachtungen auf das Modell verstehst.

Exercise 1: Quantifizierung der Modellanpassung Exercise 2: Bestimmungskoeffizient Exercise 3: Residualer Standardfehler Exercise 4: Modellanpassung visualisieren Exercise 5: Residuen vs. angepasste Werte Exercise 6: Q-Q-Diagramm der Residuen Exercise 7: Skalenstandort Exercise 8: Zeichnen von Diagnoseplots Exercise 9: Ausreißer, Hebelwirkung und Einfluss Exercise 10: Hebelwirkung Exercise 11: Beeinflussen Exercise 12: Hebelwirkung und Einfluss ausüben

Lerne, logistische Regressionsmodelle anzupassen. Anhand von realen Daten wirst du die Wahrscheinlichkeit, dass ein Kunde sein Konto auflöst, in Form von Erfolgswahrscheinlichkeiten und Odds Ratios vorhersagen und die Modellleistung mithilfe von Konfusionsmatrizen quantifizieren.

Exercise 1: Warum du die logistische Regression brauchst Exercise 2: Erkundung der erklärenden Variablen Exercise 3: Lineare und logistische Modelle visualisieren Exercise 4: Logistische Regression mit logit()Exercise 5: Vorhersagen und Odds Ratios Exercise 6: Wahrscheinlichkeiten Exercise 7: Wahrscheinlichstes Ergebnis Exercise 8: Quotenverhältnis Exercise 9: Log Odds Ratio

Aktuelle Übung

Exercise 10: Quantifizierung der Anpassung der logistischen Regression Exercise 11: Berechnung der Konfusionsmatrix Exercise 12: Zeichnen eines Mosaikplots der Konfusionsmatrix Exercise 13: Genauigkeit, Sensitivität, Spezifität Exercise 14: Messung der Leistung logistischer Modelle Exercise 15: Glückwunsch!