Логистическая регрессия с помощью logit()

Для логистической регрессии из statsmodels.formula.api потребуется ещё одна функция — logit(). Она принимает те же аргументы, что и ols(): formula и data. Затем для обучения модели на данных используется метод .fit().

В этом упражнении вы смоделируете, как длительность отношений с клиентом влияет на отток.

Набор данных churn доступен.

Это упражнение является частью курса

Введение в регрессию с statsmodels на Python

Посмотреть курс

Инструкции к упражнению

Импортируйте функцию logit() из statsmodels.formula.api.
Постройте логистическую регрессию has_churned в зависимости от time_since_first_purchase, используя набор данных churn. Результат сохраните в переменную mdl_churn_vs_relationship.
Выведите на экран параметры обученной модели.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import logit
____

# Fit a logistic regression of churn vs. length of relationship using the churn dataset
mdl_churn_vs_relationship = ____

# Print the parameters of the fitted model
print(____)

Редактировать и запускать код

Это упражнение является частью курса

Введение в регрессию с statsmodels на Python

SkillTag.level.intermediateSkillTag.label

4.8+

Начать курс бесплатно

Вы познакомитесь с основами этой популярной статистической модели: узнаете, что такое регрессия и чем линейная регрессия отличается от логистической. Затем научитесь строить простые линейные регрессионные модели с числовыми и категориальными объясняющими переменными, а также интерпретировать взаимосвязь между зависимой и объясняющими переменными с помощью коэффициентов модели.

Exercise 1: История двух переменных Exercise 2: Какая переменная является зависимой?Exercise 3: Визуализация двух числовых переменных Exercise 4: Построение линейной регрессии Exercise 5: Оцените точку пересечения с осью y Exercise 6: Оцените наклон прямой Exercise 7: Линейная регрессия с помощью ols()Exercise 8: Категориальные объясняющие переменные Exercise 9: Визуализация: числовые и категориальные переменные Exercise 10: Вычисление средних значений по категориям Exercise 11: Линейная регрессия с категориальной объясняющей переменной

В этой главе вы научитесь применять линейные регрессионные модели для прогнозирования цен на жильё на Тайване и числа кликов по рекламе в Facebook. Вы углубите свои знания в области регрессии, освоите работу с объектами модели, разберётесь с концепцией «регрессии к среднему» и узнаете, как преобразовывать переменные в наборе данных.

Exercise 1: Составление прогнозов Exercise 2: Прогнозирование цен на жильё Exercise 3: Визуализация предсказаний Exercise 4: Границы предсказательной силы модели Exercise 5: Работа с объектами модели Exercise 6: Извлечение элементов модели Exercise 7: Ручное предсказание цен на жильё Exercise 8: Регрессия к среднему Exercise 9: Хоум-ран!Exercise 10: Построение графика последовательных доходностей портфеля Exercise 11: Моделирование последовательной доходности Exercise 12: Преобразование переменных Exercise 13: Преобразование объясняющей переменной Exercise 14: Преобразование переменной отклика Exercise 15: Обратное преобразование

В этой главе вы научитесь оценивать качество модели. Вы узнаете, как количественно измерить соответствие линейной регрессионной модели данным, диагностировать проблемы с помощью визуализаций, а также определять меру влияния и рычага каждого наблюдения при построении модели.

Exercise 1: Оценка качества модели Exercise 2: Коэффициент детерминации Exercise 3: Остаточное стандартное отклонение Exercise 4: Визуализация качества модели Exercise 5: Остатки и подогнанные значения Exercise 6: Q-Q график остатков Exercise 7: График масштаб-расположение Exercise 8: Построение диагностических графиков Exercise 9: Выбросы, рычаг и влияние Exercise 10: Рычаг (leverage)Exercise 11: Влияние Exercise 12: Извлечение рычага влияния и влиятельности

Вы научитесь строить логистические регрессионные модели. Работая с реальными данными, вы будете предсказывать вероятность закрытия клиентом банковского счёта — в виде вероятностей и отношений шансов — и оценивать качество модели с помощью матриц ошибок.

Exercise 1: Зачем нужна логистическая регрессия Exercise 2: Изучение объясняющих переменных Exercise 3: Визуализация линейной и логистической моделей Exercise 4: Логистическая регрессия с помощью logit()

Текущее упражнение

Exercise 5: Прогнозы и шансы Exercise 6: Вероятности Exercise 7: Наиболее вероятный исход Exercise 8: Шансы Exercise 9: Логарифм шансов Exercise 10: Оценка качества подгонки логистической регрессии Exercise 11: Вычисление матрицы ошибок Exercise 12: Построение мозаичного графика матрицы ошибок Exercise 13: Точность, чувствительность, специфичность Exercise 14: Оценка качества логистической модели Exercise 15: Поздравляем!