Doğrusal model ve ikili bir yanıt değişkeni
Videoda, ikili bir yanıt değişkenine doğrusal model uydurma örneğini ve işlerin nasıl hızla ters gidebileceğini gördün. Doğrusal doğrudan elde edilen uyumlu değerlerin \(\hat{y}\), yanıt değişkeni 0 ve 1 değerlerini aldığı için problemin mantığıyla örtüşmediğini öğrendin.
Önceden yüklenmiş crab veri kümesini kullanarak, GLM çerçevesinde y'yi x'in bir fonksiyonu olarak modelleyerek bu etkiyi inceleyeceksin.
GLM model formülasyonunu anımsa:
glm(formula = 'y ~ X', data = my_data, family = sm.families.____).fit()
burada formula, data ve family'yi belirtirsin.
Ayrıca şunları da anımsa:
- Gaussian ailesi ile bir GLM, doğrusal modeldir (GLM'lerin özel bir durumu)
- Binomial ailesi ile bir GLM, lojistik regresyon modelidir.
Bu egzersiz, kursun bir parçasıdır
Python ile Genelleştirilmiş Doğrusal Modeller
Egzersiz talimatları
crabveri kümesini kullanarak, model formülünüy'ninwidthtarafından tahmin edileceği şekilde tanımla.- GLM formülüyle bir doğrusal model uydurmak için, y'nin sürekli ve yaklaşık normal dağıldığını varsayan
Gaussian()'ı family argümanı olarak kullan. - GLM formülüyle bir lojistik model uydurmak için,
Binomial()'ı family argümanı olarak kullan. - Uygun argümanlarla
glm()kullanarak bir model uygula ve uyumlanan modellerin özetlerini görmek içinprint()vesummary()kullan.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Define model formula
formula = '____ ~ ____'
# Define probability distribution for the response variable for
# the linear (LM) and logistic (GLM) model
family_LM = sm.families.____
family_GLM = sm.families.____
# Define and fit a linear regression model
model_LM = glm(formula = ____, data = ____, family = ____).fit()
print(____.____)
# Define and fit a logistic regression model
model_GLM = glm(formula = ____, data = ____, family = ____).fit()
print(____.____)