以赔率表述的系数

此前，您已经基于 arsenic 水平为切换水井的概率拟合了一个逻辑回归模型。本练习中，您将考察另一个变量 distance100 与切换概率之间的关系，并以赔率的角度解读系数值。

请回忆，逻辑回归模型是在对数赔率（log odds）尺度上。若要得到 x 增加 1 个单位时赔率会被乘以多少，需要对系数估计取指数。这也称为赔率比（odds ratio）。

回忆一下，赔率是事件发生与不发生的比值。例如，若赢一场比赛的赔率是 1/2，或记作 1 比 2（1:2），表示每赢 1 次，就会输 2 次。

数据集 wells 已加载到工作区。

本练习是课程的一部分

Python 中的广义线性模型

查看课程

练习说明

导入 statsmodels 库和来自 statsmodels.formula.api 的 glm 函数。另将 numpy 导入为 np。
使用 glm() 拟合一个以 distance100 预测 switch 的逻辑回归模型。
使用 .params 提取模型系数。
使用 numpy 的 exp() 函数计算对赔率的乘性影响。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Load libraries and functions
import ____.api as sm
from ____.____.api import glm
import ____ as ____

# Fit logistic regression model
model_GLM = ____(formula = ____,
                data = ____,
                family = ____.____.____).____ 

# Extract model coefficients
print('Model coefficients: \n', ____.____)

# Compute the multiplicative effect on the odds
print('Odds: \n', np.____(____.____))

编辑并运行代码