`statsmodels` ile En Küçük Kareler

Bazı Python kütüphaneleri, modelin optimizasyon araçlarını her zaman bu kadar açıkça yönetmene gerek kalmadan kullanabileceğin kullanışlı, soyut arayüzler sağlar.

Örneğin, bu egzersizde, en küçük kareler optimizasyonunu (RSS'in en aza indirilmesi) kullanarak model kurmak için statsmodels kütüphanesini daha üst düzey, genelleştirilmiş bir iş akışında kullanacaksın.

Başlamana yardımcı olmak için, x_data, y_data = load_data() ile verileri önceden yükledik ve df = pd.DataFrame(dict(x_column=x_data, y_column=y_data)) kullanarak sütun adları x_column ve y_column olan bir pandas DataFrame'ine kaydettik.

Bu egzersiz, kursun bir parçasıdır

Python ile Doğrusal Modellemenin Temelleri

Kursa Göz Atın

Egzersiz talimatları

formula="y_column ~ x_column" ve data=df ile bir ols() modeli kur ve ardından veriye .fit() et.
model_fit.predict() kullanarak y_model değerlerini elde et.
Verilen plot_data_with_model() fonksiyonunu kullanarak y_data ile y_model'i aynı grafikte göster.
Model parametre değerlerini model_fit.params içinden a0 ve a1 olarak çıkar.
Bu sonuçların numpy ile uygulanmış analitik formüllerle tutarlı olduğunu doğrulamak için compute_rss_and_plot_fit() kullan.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Pass data and `formula` into ols(), use and `.fit()` the model to the data
model_fit = ols(____="y_column ~ x_column", ____=df).____()

# Use .predict(df) to get y_model values, then over-plot y_data with y_model
y_model = model_fit.____(df)
fig = plot_data_with_model(x_data, ____, ____)

# Extract the a0, a1 values from model_fit.params
a0 = model_fit.____['Intercept']
a1 = model_fit.____['x_column']

# Visually verify that these parameters a0, a1 give the minimum RSS
fig, rss = compute_rss_and_plot_fit(a0, a1)

Kodu Düzenle ve Çalıştır