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

Exercice

Coefficients en termes de cotes (odds)

Vous avez déjà ajusté un modèle de régression logistique pour la probabilité de changer de puits en fonction des niveaux d'arsenic. Dans cet exercice, vous allez examiner comment une autre variable, distance100, est liée à la probabilité de changer et interpréter les coefficients en termes de cotes (odds).

Rappelez-vous que la régression logistique modélise le logarithme des cotes. Ainsi, pour savoir de combien les cotes sont multipliées pour une augmentation d'une unité de x, vous devez exponentier les estimations des coefficients. On parle alors aussi de rapport de cotes (odds ratio).

Rappel : les cotes sont le rapport entre la probabilité que l'événement se produise et la probabilité qu'il ne se produise pas. Par exemple, si les cotes de gagner une partie sont de 1/2 ou 1 pour 2 (1:2), cela signifie que pour chaque victoire, il y a 2 défaites.

Le jeu de données wells est déjà chargé dans l'espace de travail.

Instructions

100 XP
  • Importez la bibliothèque statsmodels et la fonction glm depuis statsmodels.formula.api. Importez aussi numpy sous le nom np.
  • À l'aide de glm(), ajustez un modèle de régression logistique où switch est prédit par distance100.
  • Extrayez les coefficients du modèle avec .params.
  • Calculez l'effet multiplicatif sur les cotes en utilisant la fonction exp() de numpy.