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'ajustementy ~ xaux 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.
Cette activité fait partie du cours
Modèles linéaires généralisés en Python
Instructions de l’exercice
- En utilisant le modèle ajusté
wells_fit, calculez la prédiction sur les données de testwells_testet enregistrez-la dansprediction. - Ajoutez
predictionau dataframe existantwells_testet nommez la colonneprediction. - À l'aide de
print(), affichez les 5 premières lignes dewells_testavec les colonnesswitch,arsenicetprediction. Utilisez la fonction pandashead()pour ne voir que les 5 premières lignes.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Compute predictions for the test sample wells_test and save as prediction
prediction = ____.predict(exog = ____)
# Add prediction to the existing data frame wells_test and assign column name prediction
____[____] = ____
# Examine the first 5 computed predictions
print(____[[____, ____, ____]].head())