1. Learn
    2. /
  2. Курси
    3. /
  3. Introduction à la régression avec statsmodels en Python
Connected

вправа

Log-cotes

Un inconvénient des probabilités et des cotes pour les prédictions en régression logistique est que les lignes de prédiction sont courbées. Il est alors plus difficile de raisonner sur l'effet d'une modification de la variable explicative sur la prédiction. Le logarithme des cotes (les « log-cotes » ou le « logit ») entretient, lui, une relation linéaire entre la réponse prédite et la variable explicative. Ainsi, quand la variable explicative change, la mesure de réponse n'évolue pas de façon spectaculaire, mais de manière linéaire.

Comme les valeurs de log-cotes sont moins intuitives que les cotes (linéaires), pour la visualisation, il est généralement préférable de tracer les cotes et d'appliquer une transformation logarithmique à l'échelle de l'axe des y.

mdl_churn_vs_relationship, explanatory_data et prediction_data sont disponibles depuis l'exercice précédent.

Інструкції 1/2

undefined XP
    1
    2
  • Mettez à jour prediction_data pour ajouter une colonne log_odds dérivée de odds.
  • Affichez les cinq premières lignes de prediction_data.