Voorspelde waarden vergelijken

In de vorige oefening heb je zowel een lineair als een GLM (logistisch) regressiemodel gefit met de crab-gegevens, waarbij je y voorspelde met width. Met andere woorden: je wilde de kans voorspellen dat het vrouwtje een satellietkrab in de buurt heeft, gegeven haar breedte.

In deze oefening bekijk je de geschatte kansen (de output) van beide modellen verder en probeer je te bepalen of de lineaire fit geschikt is voor dit probleem.

Gebruikelijk is om het model te testen op nieuwe, niet eerder geziene data. Zo’n gegevensset heet een test-sample.
De test-sample is voor je aangemaakt en in de werkruimte geladen. Let op dat je testwaarden nodig hebt voor alle variabelen die in het model zitten, in dit voorbeeld width.

De crab-gegevensset is vooraf in de werkruimte geladen.

Deze oefening maakt deel uit van de cursus

Generalized Linear Models in Python

Cursus bekijken

Oefeninstructies

Bekijk de test-set met print().
Gebruik de test-sample om geschatte kansen te berekenen met .predict() op het gefitte lineaire model model_LM en sla dit op als pred_lm. Bereken ook geschatte kansen met .predict() op het gefitte GLM (logistische) model model_GLM en sla dit op als pred_glm.
Combineer de voorspellingen van beide modellen met pandas DataFrame() en sla dit op als predictions.
Concateneer test en predictions en sla dit op als all_data. Bekijk all_data met print().

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# View test set
print(____)

# Compute estimated probabilities for linear model: pred_lm
____ = model_LM.____(____)

# Compute estimated probabilities for GLM model: pred_glm
____ = model_GLM.____(____)

# Create dataframe of predictions for linear and GLM model: predictions
____ = pd.DataFrame({'Pred_LM': ____, 'Pred_GLM': ____})

# Concatenate test sample and predictions and view the results
all_data = pd.concat([____, ____], axis = 1)
print(____)

Code bewerken en uitvoeren