Как интерпретировать коэффициенты логистической регрессии

Интерпретация коэффициентов логистической регрессии

Расчет средних маргинальных эффектов коэффициентов логистической регрессии

Вы любите логистическую регрессию, но ненавидите интерпретацию всего, что связано с логарифмическим преобразованием? Ну, я не могу сказать, что вы в хорошей компании, но я могу сказать, что у вас есть я в качестве компании!

В этой статье я расскажу о том, как интерпретировать коэффициенты логистической регрессии. Вот план статьи:

1. Интерпретация коэффициентов линейной регрессии
2. Почему интерпретация коэффициентов логистической регрессии вызывает трудности
3. Как интерпретировать коэффициенты логистической регрессии
4. Расчет средних маргинальных эффектов с помощью пакета statsmodels
5. Заключение

Интерпретация коэффициентов линейной регрессии

Большинство людей с элементарными знаниями статистики полностью понимают, как интерпретировать коэффициенты при линейной регрессии. Если это про вас, вы можете пропустить к части статьи, где рассматриваются коэффициенты логистической регрессии.

• Как создать полярную гистограмму с помощью Python и Matplotlib
• Разработчики, диаграммы не обязательно должны быть такими сложными
• Достижение превосходства в производстве с помощью моделей распознавания изображений для обнаружения дефектов поверхности

Интерпретация коэффициентов линейной регрессии очень проста и легка. Простота интерпретации является одной из причин, по которым линейная регрессия до сих пор остается очень популярным инструментом, несмотря на появление значительно более сложных алгоритмов.

Простая линейная регрессия (линейная регрессия с одной входной переменной) имеет следующую форму:

Нас в основном интересует интерпретация B₁. Для линейной регрессии эта интерпретация проста: при изменении x на одну единицу мы ожидаем изменения y на B₁. Другой термин для этого отношения – «средний маргинальный эффект».

Давайте рассмотрим пример того, как мы можем интерпретировать B₁ с помощью симуляции. Симуляция – отличный инструмент для тестирования методов и подходов в области науки о данных, потому что мы создаем базовую истину, а затем проверяем, способны ли наши методы ее идентифицировать.

В приведенном ниже коде мы моделируем 30 000 строк значений x. Мы моделируем значения x, выбирая их из нормального распределения с заданными параметрами (в данном случае средним значением 2 и стандартным отклонением 0,2). Затем мы моделируем y, умножая x на нашу симулированную величину влияния 0,16, а затем добавляем случайную ошибку…