Проверка качества подгонки модели
В видео вы анализировали пример улучшения качества подгонки модели за счёт добавления дополнительной переменной на данных wells. Продолжая работу с этим набором данных, вы увидите, как дальнейшее усложнение модели влияет на девиансу и качество подгонки.
Набор данных wells уже загружен в рабочую среду.
Это упражнение является частью курса
Обобщённые линейные модели в Python
Инструкции к упражнению
- Постройте модель логистической регрессии, где
switch— зависимая переменная, аdistance100иarsenic— объясняющие переменные. - Вычислите разность девианс модели только с интерсептом и модели, включающей все переменные.
- Выведите вычисленную разность на экран.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Import statsmodels
import ____.____ as sm
from ____.____.____ import glm
# Define model formula
formula = '____ ~ ____'
# Fit GLM
model_dist_ars = glm(____, ____ = ____, ____ = sm.____.____).____
# Compare deviance of null and residual model
diff_deviance = ____.____ - ____.____
# Print the computed difference in deviance
____(____)