คำนวณค่าพยากรณ์

ในทางปฏิบัติ เรามักต้องการใช้โมเดล logistic regression ที่ฝึกแล้วเพื่อประมาณค่าความน่าจะเป็น และสร้าง confidence interval สำหรับค่าประมาณเหล่านั้น โดยใช้ชุดข้อมูล wells และโมเดล 'switch ~ arsenic' สมมติว่ามีข้อมูลใหม่ wells_test ที่ไม่ได้เป็นส่วนหนึ่งของชุดข้อมูลฝึก และต้องการพยากรณ์ความน่าจะเป็นที่จะเปลี่ยนไปใช้บ่อน้ำที่ปลอดภัยที่ใกล้ที่สุด

สามารถทำได้โดยใช้เมธอด .predict()

โปรดทราบว่า .predict() รับอาร์กิวเมนต์หลายตัว ได้แก่:

exog - ข้อมูลใหม่ (ชุดข้อมูลทดสอบ)
transform = True - ส่งสูตรของโมเดล y ~ x ไปยังข้อมูล

หากไม่ได้กำหนด exog ค่าความน่าจะเป็นจะถูกคำนวณบนชุดข้อมูลฝึก

โมเดล wells_fit และชุดข้อมูล wells กับ wells_test ถูกโหลดไว้ล่วงหน้าในพื้นที่ทำงานแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Generalized Linear Models ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

ใช้โมเดล wells_fit ที่ฝึกแล้วเพื่อคำนวณค่าพยากรณ์บนข้อมูลทดสอบ wells_test และบันทึกผลลัพธ์เป็น prediction
เพิ่ม prediction เข้าไปใน dataframe wells_test ที่มีอยู่ และตั้งชื่อคอลัมน์ว่า prediction
ใช้ print() แสดง 5 แถวแรกของ wells_test โดยเลือกคอลัมน์ switch, arsenic และ prediction ใช้ฟังก์ชัน head() ของ pandas เพื่อดูเฉพาะ 5 แถวแรก

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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())

แก้ไขและรันโค้ด