Log odds ratio

L'inconvénient des probabilités et des rapports de cotes pour les prédictions de régression logistique est que les lignes de prédiction sont courbes. Il est donc plus difficile de raisonner sur ce qu'il advient de la prédiction lorsque l'on modifie la variable explicative. Le logarithme du rapport de cotes (le "logarithme du rapport de cotes" ou "logit") présente une relation linéaire entre la réponse prévue et la variable explicative. Cela signifie que lorsque la variable explicative change, vous n'observez pas de changements spectaculaires dans la mesure de la réponse - seulement des changements linéaires.

Étant donné que les valeurs réelles du logarithme du rapport de cotes sont moins intuitives que le rapport de cotes (linéaire), il est généralement préférable, à des fins de visualisation, de représenter le rapport de cotes et d'appliquer une transformation logarithmique à l'échelle de l'axe des ordonnées.

mdl_churn_vs_relationship, explanatory_data, et prediction_data sont disponibles à partir de l'exercice précédent.

Cet exercice fait partie du cours

Introduction à la régression avec statsmodels en Python

Afficher le cours

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Update prediction data with log_odds_ratio
____

# Print the head
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()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

Exercice en cours

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