1. Apprendre
    2. /
  2. Cours
    3. /
  3. Modèles linéaires généralisés en Python
Connected

Exercice

Calculer des prédictions

En pratique, on souhaite souvent utiliser la régression logistique ajustée pour estimer des probabilités et construire des intervalles de confiance pour ces estimations. En utilisant l'ensemble de données wells et le modèle 'switch ~ arsenic', supposons que vous avez de nouvelles observations wells_test qui ne faisaient pas partie de l'échantillon d'entraînement et que vous voulez prédire la probabilité de passer au puits sécuritaire le plus proche.

Vous ferez cela à l'aide de la méthode .predict().

Notez que .predict() accepte plusieurs arguments :

  • exog - nouvelles observations (ensemble de test)
  • transform = True - applique la formule de l'ajustement y ~ x aux données.

Si exog n'est pas défini, les probabilités sont calculées pour l'ensemble d'entraînement.

Le modèle wells_fit et les ensembles de données wells et wells_test sont préchargés dans l'espace de travail.

Instructions

100 XP
  • En utilisant le modèle ajusté wells_fit, calculez la prédiction sur les données de test wells_test et enregistrez-la dans prediction.
  • Ajoutez prediction au dataframe existant wells_test et nommez la colonne prediction.
  • À l'aide de print(), affichez les 5 premières lignes de wells_test avec les colonnes switch, arsenic et prediction. Utilisez la fonction pandas head() pour ne voir que les 5 premières lignes.