Обчислення прогнозів

Часто на практиці нас цікавить використання налаштованої логістичної регресії, щоб оцінити ймовірності та побудувати довірчі інтервали для цих оцінок. Використовуючи набір даних wells і модель 'switch ~ arsenic', припустімо, що у вас є нові спостереження wells_test, які не входили до тренувальної вибірки, і ви хочете передбачити ймовірність переходу до найближчої безпечної криниці.

Ви зробите це за допомогою методу .predict().

Зверніть увагу, що .predict() приймає кілька аргументів:

exog — нові спостереження (тестовий набір даних)
transform = True — застосовує до даних формулу підгонки y ~ x.

Якщо exog не задано, ймовірності обчислюються для тренувального набору даних.

Модель wells_fit і набори даних wells та wells_test уже завантажені в робочому середовищі.

Ця вправа є частиною курсу

Узагальнені лінійні моделі в Python

Переглянути курс

Інструкції до вправи

Використовуючи налаштовану модель wells_fit, обчисліть прогноз для тестових даних wells_test і збережіть його як prediction.
Додайте prediction до наявного датафрейма wells_test та назвіть стовпець prediction.
За допомогою print() виведіть перші 5 рядків wells_test зі стовпцями switch, arsenic і prediction. Щоб переглянути лише перші 5 рядків, використайте функцію pandas head().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Compute predictions for the test sample wells_test and save as prediction
prediction = ____.predict(exog = ____)

# Add prediction to the existing data frame wells_test and assign column name prediction
____[____] = ____

# Examine the first 5 computed predictions
print(____[[____, ____, ____]].head())

Редагувати та запускати код