1. Learn
    2. /
  2. Courses
    3. /
  3. Mô hình Tuyến tính Tổng quát (GLM) trong Python
Connected

Exercise

Mô hình tuyến tính và biến phản hồi nhị phân

Trong video, bạn đã thấy ví dụ về việc khớp một mô hình tuyến tính cho biến phản hồi nhị phân và cách mọi thứ có thể nhanh chóng sai lệch. Bạn học được rằng, với đường hồi quy tuyến tính, bạn có thể thu được các giá trị dự đoán \(\hat{y}\), vốn không phù hợp với logic của bài toán vì biến phản hồi chỉ nhận giá trị 0 và 1.

Sử dụng tập dữ liệu crab đã nạp sẵn, bạn sẽ khảo sát hiện tượng này bằng cách mô hình hóa y theo x trong khung GLM.

Nhớ rằng dạng tổng quát của mô hình GLM là:

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

trong đó bạn chỉ định formula, data, và family.

Cũng cần nhớ rằng GLM với:

  • họ Gaussian là một mô hình tuyến tính (trường hợp đặc biệt của GLM)
  • họ Binomial là một mô hình hồi quy logistic.

Instructions

100 XP
  • Dùng tập dữ liệu crab, xác định công thức mô hình sao cho y được dự đoán bởi width.
  • Để khớp một mô hình tuyến tính bằng công thức GLM, dùng Gaussian() cho đối số family, tức giả định y liên tục và xấp xỉ phân phối chuẩn.
  • Để khớp một mô hình logistic bằng công thức GLM, dùng Binomial() cho đối số family.
  • Khớp một mô hình bằng glm() với các đối số phù hợp và dùng print() và summary() để xem tóm tắt các mô hình đã khớp.