Jämföra predikterade värden

I föregående övning anpassade du både en linjär och en GLM (logistisk) regressionsmodell med hjälp av crab-data, där du predikterade y med width. Med andra ord ville du prediktera sannolikheten att honan har en satellitkrabba i närheten, givet hennes bredd.

I den här övningen undersöker du vidare de uppskattade sannolikheterna (utdatan) från de två modellerna och försöker avgöra om den linjära anpassningen är lämplig för det aktuella problemet.

Vanlig praxis är att testa modellen på nya, osedda, data. En sådan datamängd kallas ett test-urval.
test-urvalet har skapats åt dig och laddats in i arbetsytan. Observera att du behöver testvärden för alla variabler som ingår i modellen – i det här exemplet är det width.

Datamängden crab har förladdats i arbetsytan.

Den här övningen är en del av kursen

Generaliserade linjära modeller i Python

Visa kurs

Övningsinstruktioner

Använd print() för att visa test-datamängden.
Använd test-urvalet och beräkna uppskattade sannolikheter med .predict() på den anpassade linjära modellen model_LM, och spara resultatet som pred_lm. Beräkna också uppskattade sannolikheter med .predict() på den anpassade GLM (logistiska) modellen model_GLM, och spara resultatet som pred_glm.
Använd pandas DataFrame() för att kombinera prediktionerna från båda modellerna och spara som predictions.
Konkatenera test och predictions och spara som all_data. Visa all_data med print().

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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(____)

Redigera och kör kod