Utvärdera modellanpassning

I videon analyserade du ett exempel på förbättrad modellanpassning genom att lägga till en ytterligare variabel i wells-data. Med samma datamängd ska du nu undersöka hur en ökad modellkomplexitet påverkar deviansen och modellanpassningen.

Datamängden wells har förinslästs i arbetsytan.

Den här övningen är en del av kursen

Generaliserade linjära modeller i Python

Visa kurs

Övningsinstruktioner

Anpassa en logistisk regressionsmodell med switch som responsvariabel och distance100 och arsenic som förklaringsvariabler.
Beräkna skillnaden i devians mellan modellen med enbart intercept och modellen med alla variabler.
Skriv ut den beräknade skillnaden.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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
____(____)

Redigera och kör kod