Сравнение предсказанных значений

В предыдущем упражнении вы обучили линейную модель и модель GLM (логистическую регрессию) на данных crab, предсказывая y по width. Иными словами, задача состояла в том, чтобы оценить вероятность наличия краба-сателлита рядом с самкой в зависимости от её ширины.

В этом упражнении вы подробнее изучите оценённые вероятности (выходные значения) обеих моделей и попробуете определить, подходит ли линейная модель для данной задачи.

Стандартная практика — проверять модель на новых, ранее не виденных, данных. Такой набор данных называется тестовой выборкой.
Тестовая выборка test уже создана и загружена в рабочую область. Обратите внимание, что для предсказания необходимы значения всех переменных, входящих в модель — в данном случае это width.

Набор данных crab предварительно загружен в рабочую область.

Это упражнение является частью курса

Обобщённые линейные модели в Python

Посмотреть курс

Инструкции к упражнению

С помощью print() выведите тестовую выборку test.
Используя выборку test, вычислите оценённые вероятности с помощью .predict() на основе обученной линейной модели model_LM и сохраните результат в pred_lm. Затем вычислите оценённые вероятности с помощью .predict() на основе обученной модели GLM (логистической), сохранённой в model_GLM, и запишите результат в pred_glm.
С помощью DataFrame() из pandas объедините предсказания обеих моделей и сохраните результат в predictions.
Объедините test и predictions и сохраните в all_data. Выведите all_data с помощью print().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# View test set
print(____)

# Compute estimated probabilities for linear model: pred_lm
____ = model_LM.____(____)

# Compute estimated probabilities for GLM model: pred_glm
____ = model_GLM.____(____)

# Create dataframe of predictions for linear and GLM model: predictions
____ = pd.DataFrame({'Pred_LM': ____, 'Pred_GLM': ____})

# Concatenate test sample and predictions and view the results
all_data = pd.concat([____, ____], axis = 1)
print(____)

Редактировать и запускать код