Порівняння передбачених значень

У попередній вправі ви підігнали як лінійну, так і GLM (логістичну) регресійну модель на даних crab, передбачаючи y за width. Тобто ви хотіли передбачити ймовірність того, що поруч із самицею є „супутниковий" краб, з огляду на її ширину.

У цій вправі ви детальніше розглянете оцінені ймовірності (вихід) з обох моделей і спробуєте зʼясувати, чи підходить лінійна підгонка для цієї задачі.

Зазвичай модель перевіряють на нових, „невидимих" для неї даних. Такий набір даних називають тестовою вибіркою (test).
Вибірку test вже створено для вас і завантажено в робочий простір. Зауважте, що вам потрібні тестові значення для всіх змінних, присутніх у моделі, у цьому прикладі — це width.

Набір даних crab попередньо завантажено в робочий простір.

Ця вправа є частиною курсу

Узагальнені лінійні моделі в Python

Переглянути курс

Інструкції до вправи

За допомогою print() перегляньте вибірку test.
Використовуючи вибірку test, обчисліть оцінені ймовірності за допомогою .predict() для підігнаної лінійної моделі model_LM і збережіть як pred_lm. Також обчисліть оцінені ймовірності за допомогою .predict() для підігнаної GLM (логістичної) моделі model_GLM і збережіть як pred_glm.
За допомогою pandas DataFrame() обʼєднайте прогнози з обох моделей і збережіть як predictions.
Конкатенуйте test і predictions та збережіть як all_data. Перегляньте all_data за допомогою print().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____)

Редагувати та запускати код