Beräkna prediktioner

I praktiken är vi ofta intresserade av att använda den anpassade logistiska regressionen för att skatta sannolikheter och konstruera konfidensintervall för dessa skattningar. Med datamängden wells och modellen 'switch ~ arsenic' antar vi att du har nya observationer, wells_test, som inte ingick i träningsurvalet – och att du vill prediktera sannolikheten för att byta till närmaste säkra brunn.

Detta gör du med hjälp av metoden .predict().

Observera att .predict() tar emot flera argument:

exog – nya observationer (testdatamängd)
transform = True – skickar modellformeln y ~ x till data.

Om exog inte anges beräknas sannolikheterna för träningsdatamängden.

Modellen wells_fit och datamängderna wells och wells_test är förinstallerade i workspace.

Den här övningen är en del av kursen

Generaliserade linjära modeller i Python

Visa kurs

Övningsinstruktioner

Använd den anpassade modellen wells_fit för att beräkna prediktioner på testdata wells_test och spara resultatet som prediction.
Lägg till prediction i den befintliga dataframen wells_test och namnge kolumnen prediction.
Använd print() för att visa de första 5 raderna i wells_test med kolumnerna switch, arsenic och prediction. Använd pandas-funktionen head() för att visa enbart de första 5 raderna.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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())

Redigera och kör kod