선형 모델과 이진 반응 변수

영상에서는 이진 반응 변수에 선형 모델을 적합했을 때 얼마나 빠르게 문제가 생길 수 있는지 살펴보았습니다. 선형 적합선으로부터 얻은 적합값 $\hat{y}$가 반응 변수가 0과 1만을 취한다는 문제의 논리와 맞지 않을 수 있다는 점을 배웠지요.

사전 로드된 crab 데이터셋을 사용해, GLM 프레임워크로 y를 x의 함수로 모델링하며 이 효과를 살펴보겠습니다.

GLM 모델의 기본 형식은 다음과 같습니다:

glm(formula = 'y ~ X', data = my_data, family = sm.families.____).fit()

여기서 formula, data, family를 지정합니다.

또한, 다음을 기억하세요.

Gaussian family를 사용한 GLM은 선형 모델입니다(GLM의 특수한 경우).
Binomial family를 사용한 GLM은 로지스틱 회귀 모델입니다.

이 연습은 강의의 일부입니다

Python으로 배우는 Generalized Linear Models

강의 보기

연습 안내

crab 데이터셋을 사용해 y가 width로 예측되도록 모델 공식을 정의하세요.
GLM 공식을 사용해 선형 모델을 적합하려면, y가 연속형이고 근사적으로 정규분포를 따른다고 가정하는 Gaussian()을 family 인수로 사용하세요.
GLM 공식을 사용해 로지스틱 모델을 적합하려면 Binomial()을 family 인수로 사용하세요.
glm()에 적절한 인수를 넣어 모델을 적합하고, print()와 summary()로 적합된 모델의 요약을 확인하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Define model formula
formula = '____ ~ ____'

# Define probability distribution for the response variable for 
# the linear (LM) and logistic (GLM) model
family_LM = sm.families.____
family_GLM = sm.families.____

# Define and fit a linear regression model
model_LM = glm(formula = ____, data = ____, family = ____).fit()
print(____.____)

# Define and fit a logistic regression model
model_GLM = glm(formula = ____, data = ____, family = ____).fit()
print(____.____)

코드 편집 및 실행