Tahmin edilen değerleri karşılaştırma

Önceki egzersizde, crab verilerini kullanarak hem doğrusal hem de bir GLM (lojistik) regresyon modeli kurdun; width ile y’yi tahmin ettin. Yani, dişinin genişliği verildiğinde yakınında uydu yengeç olma olasılığını tahmin etmek istedin.

Bu egzersizde, iki modelden elde edilen tahmini olasılıkları (çıktıları) daha yakından inceleyecek ve eldeki problem için doğrusal uyumun uygun olup olmadığını çıkarsamaya çalışacaksın.

Genel uygulama, modeli yeni, görülmemiş veriler üzerinde test etmektir. Böyle bir veri kümesine test örneklemi denir.
test örneklemi senin için oluşturuldu ve çalışma alanına yüklendi. Modelde bulunan tüm değişkenler için test değerlerine ihtiyaç olduğunu unutma; bu örnekte bu değişken width.

crab veri kümesi çalışma alanına önceden yüklendi.

Bu egzersiz, kursun bir parçasıdır

Python ile Genelleştirilmiş Doğrusal Modeller

Kursa Göz Atın

Egzersiz talimatları

print() kullanarak test kümesini görüntüle.
test örneklemini kullanarak, kurulmuş doğrusal model model_LM üzerinde .predict() ile tahmini olasılıkları hesapla ve pred_lm olarak kaydet. Ayrıca, kurulmuş GLM (lojistik) model model_GLM üzerinde .predict() ile tahmini olasılıkları hesapla ve pred_glm olarak kaydet.
pandas DataFrame() kullanarak her iki modelden gelen tahminleri birleştir ve predictions olarak kaydet.
test ve predictions’ı birleştir ve all_data olarak kaydet. all_data’yı print() ile görüntüle.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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(____)

Kodu Düzenle ve Çalıştır