Вычисление прогнозов

На практике нас часто интересует использование подобранной логистической регрессии для оценки вероятностей и построения доверительных интервалов для этих оценок. Используя набор данных wells и модель 'switch ~ arsenic', предположим, что у вас есть новые наблюдения wells_test, которые не входили в обучающую выборку, и вы хотите предсказать вероятность перехода к ближайшей безопасной скважине.

Для этого воспользуйтесь методом .predict().

Обратите внимание, что .predict() принимает несколько аргументов:

exog — новые наблюдения (тестовый набор данных);
transform = True — передаёт формулу модели y ~ x в данные.

Если аргумент exog не задан, вероятности вычисляются для обучающего набора данных.

Модель wells_fit и наборы данных wells и wells_test уже загружены в рабочую область.

Это упражнение является частью курса

Обобщённые линейные модели в Python

Посмотреть курс

Инструкции к упражнению

С помощью подобранной модели wells_fit вычислите прогнозы на тестовых данных wells_test и сохраните результат в переменную prediction.
Добавьте prediction в существующий датафрейм wells_test и назовите столбец prediction.
С помощью функции print() выведите первые 5 строк датафрейма wells_test со столбцами switch, arsenic и prediction. Используйте функцию pandas head(), чтобы отобразить только первые 5 строк.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Compute predictions for the test sample wells_test and save as prediction
prediction = ____.predict(exog = ____)

# Add prediction to the existing data frame wells_test and assign column name prediction
____[____] = ____

# Examine the first 5 computed predictions
print(____[[____, ____, ____]].head())

Редактировать и запускать код