Analiza współczynników modelu
Teraz przeanalizujesz wydajność modelu z innej perspektywy – wyłącznie na danych treningowych. Z ostatniej lekcji wiesz już, że nie wszystkie współczynniki modelu są statystycznie istotne i warto zajrzeć do tabeli podsumowania modelu, aby sprawdzić ich istotność. Na szczęście biblioteka statsmodels oferuje tę funkcjonalność. Po wyświetleniu tabeli podsumowania modelu sprawdź, które zmienne mają wartość p niższą niż 0,05 (czyli poniżej 5%) – to potwierdza, że dany współczynnik jest istotny.
Cechy treningowe są załadowane jako train_X, a zmienna docelowa jako train_Y, przekonwertowana do tablicy numpy.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w marketingu w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj moduł
statsmodels.api. - Zainicjalizuj instancję modelu na danych treningowych, używając funkcji
OLS(). - Dopasuj model.
- Wyświetl podsumowanie modelu, używając metody
.summary().
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import `statsmodels.api` module
import ___.___ as sm
# Initialize model instance on the training data
olsreg = sm.___(train_Y, train_X)
# Fit the model
olsreg = olsreg.___()
# Print model summary
print(olsreg.___())