1. Learn
    2. /
  2. Курси
    3. /
  3. Узагальнені лінійні моделі в Python
Connected

Вправа

Лінійна модель і бінарна залежна змінна

У відео ви бачили приклад підгонки лінійної моделі до бінарної залежної змінної та те, як швидко це може призвести до помилок. Ви дізналися, що за лінійного наближення можна отримати підганяні значення \(\hat{y}\), які суперечать логіці задачі, адже залежна змінна набуває лише значень 0 і 1.

Використовуючи попередньо завантажений набір даних crab, ви дослідите цей ефект, змоделювавши y як функцію x у межах підходу GLM.

Згадайте, що формулювання моделі GLM таке:

glm(formula = 'y ~ X', data = my_data, family = sm.families.____).fit()

де ви задаєте formula, data і family.

Також згадайте, що GLM із:

  • сім'єю Gaussian — це лінійна модель (окремий випадок GLM)
  • сім'єю Binomial — це модель логістичної регресії.

Інструкції

100 XP
  • Використовуючи набір даних crab, задайте формулу моделі так, щоб y передбачався за width.
  • Щоб підганяти лінійну модель у формалізмі GLM, використайте Gaussian() як аргумент family. Це означає, що y є неперервною та приблизно нормально розподіленою.
  • Щоб підганяти логістичну модель у формалізмі GLM, використайте Binomial() як аргумент family.
  • Побудуйте модель за допомогою glm() з відповідними аргументами та скористайтеся print() і summary(), щоб переглянути зведення підганятих моделей.