VIF Hesapla

Videoda öğrendiğin gibi çoklu doğrusal bağlantı (multicollinearity) için en yaygın kullanılan tanılardan biri, her açıklayıcı değişken için hesaplanan varyans şişirme faktörüdür (VIF).

Videodan hatırla: başparmak kuralı eşiği VIF = 2.5 seviyesidir; yani VIF 2.5’in üzerindeyse, kurulan modelinde çoklu doğrusal bağlantının etkisi olduğunu düşünmelisin.

Daha önce eğitilmiş model ve crab veri kümesi çalışma alanına önceden yüklenmiştir.

Bu egzersiz, kursun bir parçasıdır

Python ile Genelleştirilmiş Doğrusal Modeller

Kursa Göz Atın

Egzersiz talimatları

statsmodels içinden variance_inflation_factor fonksiyonunu içe aktar.
crab veri kümesinden weight, width ve color değişkenlerini seçip X olarak kaydet. X’e birlerden oluşan Intercept sütunu ekle.
pandas fonksiyonu DataFrame() ile boş bir vif veri çerçevesi oluştur ve X’in sütun adlarını Variables sütununa ekle.
Her değişken için variance_inflation_factor() fonksiyonunu kullanarak VIF hesapla ve sonucu vif veri çerçevesinde VIF sütununa kaydet.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Import functions
from statsmodels.stats.outliers_influence import ____

# Get variables for which to compute VIF and add intercept term
X = ____[[____, ____, ____]]
X[____] = 1

# Compute and view VIF
vif = pd.____
vif["variables"] = X.____
vif["VIF"] = [____(X.values, i) for i in range(X.shape[1])]

# View results using print
____(____)

Kodu Düzenle ve Çalıştır