Model fit controleren

In de video bekeek je het voorbeeld waarin de model fit verbeterde door een extra variabele toe te voegen aan de wells-data. Met dezelfde gegevensset ga je nu zien hoe een verdere toename in modelcomplexiteit de deviantie en de model fit beïnvloedt.

De gegevensset wells is alvast in de workspace geladen.

Deze oefening maakt deel uit van de cursus

Generalized Linear Models in Python

Cursus bekijken

Oefeninstructies

Pas een logistische regressie toe met switch als respons en distance100 en arsenic als verklarende variabelen.
Bereken het verschil in deviantie tussen het model met alleen een intercept en het model met alle variabelen.
Print het berekende verschil.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import statsmodels
import ____.____ as sm
from ____.____.____ import glm

# Define model formula
formula = '____ ~ ____'

# Fit GLM
model_dist_ars = glm(____, ____ = ____, ____ = sm.____.____).____

# Compare deviance of null and residual model
diff_deviance = ____.____ - ____.____

# Print the computed difference in deviance
____(____)

Code bewerken en uitvoeren