Deviance và phép biến đổi tuyến tính

Như bạn đã thấy ở các bài trước, deviance giảm khi bạn thêm một biến giúp mô hình khớp tốt hơn. Trong bài này, bạn sẽ xem lại ví dụ dữ liệu giếng nước và mô hình bạn đã khớp với biến distance, nhưng sẽ đánh giá điều gì xảy ra khi có một phép biến đổi tuyến tính của biến này.

Lưu ý rằng biến distance100 là biến gốc distance chia cho 100 để việc biểu diễn và diễn giải kết quả có ý nghĩa hơn. Bạn có thể xem nhanh dữ liệu với wells.head() để hiển thị 5 hàng đầu tiên.

Bộ dữ liệu wells và mô hình 'swicth ~ distance100' đã được nạp sẵn dưới tên model_dist.

Bài tập này là một phần của khóa học

Mô hình Tuyến tính Tổng quát (GLM) trong Python

Xem khóa học

Hướng dẫn bài tập

Import statsmodels với bí danh sm và hàm glm().
Khớp một mô hình hồi quy logistic với distance là biến giải thích và switch là biến phản hồi, lưu là model_dist_1.
Kiểm tra và in ra chênh lệch deviance giữa mô hình hiện tại và mô hình dùng distance100 làm biến giải thích.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Import functions
import ____.api as ____
from ____.____.api import ____

# Fit logistic regression model as save as model_dist_1
model_dist_1 = ____('____ ~ ____', data = ____, family = ____).____

# Check the difference in deviance of model_dist_1 and model_dist
print('Difference in deviance is: ', round(____.____ - ____.____,3))

Chỉnh sửa và Chạy Mã