Dewiantacja i transformacja liniowa

Jak widziałeś w poprzednich ćwiczeniach, dewiantacja malała wraz z dodawaniem zmiennych poprawiających dopasowanie modelu. W tym ćwiczeniu przyjrzysz się przykładowi danych dotyczących zmiany studni i modelowi dopasowanemu ze zmienną distance. Sprawdzisz, co się dzieje, gdy zastosujemy liniową transformację zmiennej.

Zmienna distance100 to oryginalna zmienna distance podzielona przez 100 – taki zabieg ułatwia interpretację wyników i nadaje im bardziej intuicyjne znaczenie. Możesz przejrzeć dane za pomocą wells.head(), aby wyświetlić pierwsze 5 wierszy.

Zbiór danych wells oraz model 'swicth ~ distance100' zostały wstępnie załadowane jako model_dist.

To ćwiczenie jest częścią kursu

Uogólnione modele liniowe w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Zaimportuj statsmodels jako sm oraz funkcję glm().
Dopasuj model regresji logistycznej ze zmienną distance jako predyktorem i switch jako zmienną odpowiedzi, a wynik zapisz jako model_dist_1.
Oblicz i wyświetl różnicę w dewiantacji między bieżącym modelem a modelem ze zmienną distance100 jako predyktorem.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import functions
import ____.api as ____
from ____.____.api import ____

# Fit logistic regression model as save as model_dist_1
model_dist_1 = ____('____ ~ ____', data = ____, family = ____).____

# Check the difference in deviance of model_dist_1 and model_dist
print('Difference in deviance is: ', round(____.____ - ____.____,3))

Edytuj i uruchom kod