Dopasowanie wielozmiennej regresji logistycznej

Korzystając z wiedzy zdobytej podczas lekcji wideo, wróćmy do zbioru danych crab, aby dopasować wielozmienną regresję logistyczną. W rozdziale 2 dopasowałeś(-aś) regresję logistyczną ze zmienną width jako zmienną objaśniającą. W tym ćwiczeniu przeanalizujesz efekt dodania zmiennej color jako dodatkowej zmiennej objaśniającej.

Zmienna color ma naturalny porządek: medium light, medium, medium dark i dark. Jest to zatem zmienna porządkowa, którą w tym przykładzie potraktujesz jako zmienną ilościową.

Zbiór danych crab jest wstępnie załadowany w środowisku roboczym. Zwróć uwagę, że jedyna różnica w kodzie w stosunku do przypadku jednozmiennego polega na argumencie formuły – teraz dodasz do niej nową zmienną.

To ćwiczenie jest częścią kursu

Uogólnione modele liniowe w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Zaimportuj niezbędne funkcje do pracy z GLM z biblioteki statsmodels.
Zdefiniuj argument formula, w którym width i color są zmiennymi objaśniającymi, a y jest zmienną odpowiedzi.
Dopasuj wielozmienną regresję logistyczną, używając funkcji glm().
Wyświetl wyniki modelu.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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

# Define model formula
formula = '____ ~ ____'

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

# Print model summary
____(____.____)

Edytuj i uruchom kod