Algoritme voor lineaire regressie
Om lineaire regressie echt te begrijpen, is het handig om te weten hoe het algoritme werkt. De code voor ols() telt honderden regels omdat die met elke formule en elke gegevensset moet kunnen werken. Maar voor eenvoudige lineaire regressie op één enkele gegevensset kun je een lineair regressie-algoritme in slechts een paar regels code implementeren.
De workflow is:
- Schrijf eerst een functie om de som van kwadraten te berekenen met deze algemene syntaxis:
def function_name(args):
# some calculations with the args
return outcome
- Gebruik daarna de
minimize-functie vanscipyom de coëfficiënten te vinden die deze functie minimaliseren.
De verklarende waarden (de kolom n_convenience van taiwan_real_estate) zijn beschikbaar als x_actual.
De responswaarden (de kolom price_twd_msq van taiwan_real_estate) zijn beschikbaar als y_actual.
minimize() is ook geladen.
Deze oefening maakt deel uit van de cursus
Gemiddelde regressie met statsmodels in Python
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Complete the function
def calc_sum_of_squares(coeffs):
# Unpack coeffs
____, ____ = ____
# Calculate predicted y-values
y_pred = ____ + ____ * ____
# Calculate differences between y_pred and y_actual
y_diff = ____ - ____
# Calculate sum of squares
sum_sq = ____
# Return sum of squares
return sum_sq
# Test the function with intercept 10 and slope 1
print(calc_sum_of_squares([10, 1]))