Olasılık oranları (odds) cinsinden katsayılar

Daha önce arsenic düzeylerine göre kuyuyu değiştirme olasılığı için bir lojistik regresyon modeli kurmuştun. Bu egzersizde, başka bir değişken olan distance100'ün değiştirme olasılığıyla nasıl ilişkili olduğunu görecek ve katsayı değerlerini olasılık oranları (odds) cinsinden yorumlayacaksın.

Lojistik regresyon modelinin log-odds cinsinden olduğunu hatırla; dolayısıyla x'te bir birimlik artış için olasılık oranının kaç katına çıkacağını bulmak üzere katsayı tahminlerini üssünü alırsın. Buna odds ratio (olasılık oranı) da denir.

Olasılık oranının, olayın gerçekleşme olasılığının gerçekleşmeme olasılığına oranı olduğunu hatırla. Örneğin, bir oyunu kazanma olasılık oranı 1/2 ya da 1'e 2 (1:2) ise, her bir galibiyet için 2 yenilgi vardır demektir.

wells veri kümesi çalışma alanına yüklenmiş durumda.

Bu egzersiz, kursun bir parçasıdır

Python ile Genelleştirilmiş Doğrusal Modeller

Kursa Göz Atın

Egzersiz talimatları

statsmodels kütüphanesini ve statsmodels.formula.api içinden glm fonksiyonunu içe aktar. Ayrıca numpy'yi np olarak içe aktar.
glm() kullanarak switch değişkenini distance100 ile tahmin eden bir lojistik regresyon modeli kur.
Model katsayılarını .params ile çıkar.
Olasılık oranı üzerindeki çarpan etkisini numpy'nin exp() fonksiyonuyla hesapla.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Load libraries and functions
import ____.api as sm
from ____.____.api import glm
import ____ as ____

# Fit logistic regression model
model_GLM = ____(formula = ____,
                data = ____,
                family = ____.____.____).____ 

# Extract model coefficients
print('Model coefficients: \n', ____.____)

# Compute the multiplicative effect on the odds
print('Odds: \n', np.____(____.____))

Kodu Düzenle ve Çalıştır