Explorer les coefficients du modèle
Vous allez maintenant évaluer la performance du modèle sous un autre angle, et uniquement sur les données d'entraînement. Comme vous l'avez vu dans la dernière leçon, tous les coefficients du modèle ne sont pas nécessairement statistiquement significatifs; il faut consulter le tableau récapitulatif du modèle pour examiner leur signification. Heureusement, la bibliothèque statsmodels offre cette fonctionnalité. Une fois le sommaire du modèle affiché, repérez les variables dont la valeur p est inférieure à 0,05 (c.-à-d. moins de 5 %) pour confirmer que le coefficient est significatif.
Les variables explicatives d'entraînement sont chargées dans train_X, et la variable cible dans train_Y, qui a été convertie en tableau numpy.
Cette activité fait partie du cours
Machine Learning pour le marketing en Python
Instructions de l’exercice
- Importez le module
statsmodels.api. - Initialisez une instance de modèle sur les données d'entraînement avec la fonction
OLS(). - Ajustez le modèle.
- Affichez le sommaire du modèle avec la méthode
.summary().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import `statsmodels.api` module
import ___.___ as sm
# Initialize model instance on the training data
olsreg = sm.___(train_Y, train_X)
# Fit the model
olsreg = olsreg.___()
# Print model summary
print(olsreg.___())