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

Övning

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.

Instruktioner

100 XP
  • 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().