Підгонка багатозмінної логістичної регресії
Використовуючи знання з відео, ви знову звернетеся до набору даних crab, щоб підганяти багатозмінну модель логістичної регресії. У розділі 2 ви підганяли логістичну регресію з width як пояснювальною змінною. У цій вправі ви проаналізуєте ефект додавання color як додаткової змінної.
Змінна color має природний порядок: medium light, medium, medium dark та dark. Отже, color — це порядкова змінна, яку в цьому прикладі ви трактуватимете як кількісну.
Набір даних crab попередньо завантажено в робочу область. Зверніть увагу, що єдина відмінність коду від однозмінного випадку — у аргументі формули: тепер ви додасте структуру, щоб увести нову змінну.
Ця вправа є частиною курсу
Узагальнені лінійні моделі в Python
Інструкції до вправи
- Імпортуйте потрібні функції з бібліотеки
statsmodelsдля GLM. - Задайте аргумент
formula, де пояснювальними змінними єwidthіcolor, а відгуком —y. - Підженіть багатозмінну логістичну регресійну модель за допомогою функції
glm(). - Виведіть результати моделі.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import statsmodels
import ____.____ as sm
from ____.____.____ import glm
# Define model formula
formula = '____ ~ ____'
# Fit GLM
model = glm(____, ____ = ____, ____ = sm.____.____).____
# Print model summary
____(____.____)