Régression logistique avec logit()

La régression logistique nécessite une autre fonction de statsmodels.formula.api: logit(). Il prend les mêmes arguments que ols(): un argument formula et un argument data. Vous utilisez ensuite .fit() pour ajuster le modèle aux données.

Vous modéliserez ici l'influence de la durée de la relation avec un client sur le taux de désabonnement.

churn est disponible.

Cet exercice fait partie du cours

Introduction à la régression avec statsmodels en Python

Afficher le cours

Instructions

Importez la fonction logit() à partir de statsmodels.formula.api.
Ajustez une régression logistique de has_churned par rapport à time_since_first_purchase en utilisant l'ensemble de données churn. Affectez à mdl_churn_vs_relationship.
Imprimez les paramètres du modèle ajusté.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import logit
____

# Fit a logistic regression of churn vs. length of relationship using the churn dataset
mdl_churn_vs_relationship = ____

# Print the parameters of the fitted model
print(____)

Modifier et exécuter le code

Cet exercice fait partie du cours

Introduction à la régression avec statsmodels en Python

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Vous apprendrez les bases de ce modèle statistique populaire, ce qu'est la régression et en quoi les régressions linéaires et logistiques diffèrent. Vous apprendrez ensuite à ajuster des modèles de régression linéaire simples avec des variables explicatives numériques et catégorielles, et à décrire la relation entre la réponse et les variables explicatives à l'aide des coefficients du modèle.

Exercise 1: Un conte de deux variables Exercise 2: Laquelle est la variable réponse ?Exercise 3: Visualisation de deux variables numériques Exercise 4: Ajustement d'une régression linéaire Exercise 5: Estimez l'ordonnée à l'origine Exercise 6: Estimez la pente Exercise 7: Régression linéaire avec ols()Exercise 8: Variables explicatives catégorielles Exercise 9: Visualisation des données numériques et catégorielles Exercise 10: Calcul des moyennes par catégorie Exercise 11: Régression linéaire avec une variable explicative catégorielle

Dans ce chapitre, vous découvrirez comment utiliser des modèles de régression linéaire pour faire des prédictions sur les prix de l'immobilier à Taïwan et les clics publicitaires sur Facebook. Vous développerez également vos compétences en matière de régression en vous familiarisant avec les objets de modèle, en comprenant le concept de "régression à la moyenne" et en apprenant à transformer les variables d'un ensemble de données.

Exercise 1: Faire des prévisions Exercise 2: Prévoir les prix de l'immobilier Exercise 3: Visualisation des prévisions Exercise 4: Les limites de la prédiction Exercise 5: Travailler avec des objets de modèle Exercise 6: Extraction des éléments du modèle Exercise 7: Prévision manuelle des prix de l'immobilier Exercise 8: Régression à la moyenne Exercise 9: Coup de circuit !Exercise 10: Représentation graphique des rendements consécutifs d'un portefeuille Exercise 11: Modélisation des rendements consécutifs Exercise 12: Transformer les variables Exercise 13: Transformer la variable explicative Exercise 14: Transformer également la variable réponse Exercise 15: Transformation du dos

Dans ce chapitre, vous apprendrez à poser des questions à votre modèle pour en évaluer l'adéquation. Vous apprendrez à quantifier l'adéquation d'un modèle de régression linéaire, à diagnostiquer les problèmes de modèle à l'aide de visualisations et à comprendre l'effet de levier et l'influence de chaque observation pour créer le modèle.

Exercise 1: Quantifier l'adéquation du modèle Exercise 2: Coefficient de détermination Exercise 3: Erreur standard résiduelle Exercise 4: Visualisation de l'adéquation du modèle Exercise 5: Valeurs résiduelles par rapport aux valeurs ajustées Exercise 6: Graphique Q-Q des résidus Exercise 7: Localisation de l'échelle Exercise 8: Tracer des diagrammes de diagnostic Exercise 9: Valeurs aberrantes, effet de levier et influence Exercise 10: L'effet de levier Exercise 11: Influence Exercise 12: Tirer parti de l'effet de levier et de l'influence

Apprenez à ajuster des modèles de régression logistique. À l'aide de données réelles, vous prévoirez la probabilité qu'un client ferme son compte bancaire sous forme de probabilités de succès et de rapports de chances, et quantifierez les performances du modèle à l'aide de matrices de confusion.

Exercise 1: Pourquoi avez-vous besoin de la régression logistique ?Exercise 2: Exploration des variables explicatives Exercise 3: Visualisation des modèles linéaires et logistiques Exercise 4: Régression logistique avec logit()

Exercice en cours

Exercise 5: Prédictions et rapports de cotes Exercise 6: Probabilités Exercise 7: Résultat le plus probable Exercise 8: Rapport de cotes Exercise 9: Log odds ratio Exercise 10: Quantifier l'ajustement de la régression logistique Exercise 11: Calcul de la matrice de confusion Exercise 12: Dessiner une mosaïque de la matrice de confusion Exercise 13: Précision, sensibilité, spécificité Exercise 14: Mesurer la performance d'un modèle logistique Exercise 15: Félicitations