Отклонение и линейное преобразование

Как вы видели в предыдущих упражнениях, отклонение уменьшается при добавлении переменной, которая улучшает качество подгонки модели. В этом упражнении мы вернёмся к данным о переходе на другой источник воды и модели, построенной с переменной distance, и посмотрим, что происходит при линейном преобразовании этой переменной.

Обратите внимание: переменная distance100 — это исходная переменная distance, делённая на 100, что делает интерпретацию результатов более наглядной. Вы можете изучить данные с помощью wells.head(), чтобы просмотреть первые 5 строк.

Набор данных wells и модель 'swicth ~ distance100' предварительно загружены как model_dist.

Это упражнение является частью курса

Обобщённые линейные модели в Python

Посмотреть курс

Инструкции к упражнению

Импортируйте statsmodels как sm и функцию glm().
Подгоните модель логистической регрессии с переменной distance в качестве объясняющей и switch в качестве переменной отклика и сохраните результат как model_dist_1.
Вычислите и выведите разницу в отклонении между текущей моделью и моделью с переменной distance100 в качестве объясняющей.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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))

Редактировать и запускать код