怎么行使statsmodels的GLM模子分析二分类或多分类问题

小伙伴们，今天咱们要统统探索一个超等有效的统计建模器用——statsmodels库中的广义线性模子（GLM）。若是你对数据分析感敬爱，尤其是惩处二分类或多分类问题时，这个器用统统能成为你的牛逼助手。咱们将通过实例来学习怎么使用GLM模子分析这些数据，让复杂的统计办法变得简单易懂！

什么是广义线性模子（GLM）？

广义线性模子是线性纪念模子的延伸，它允许咱们惩处更多种类的数据散播和相接函数。简单来说，GLM不错让咱们对非线性关系、非正态散播的数据进行建模。比如，二分类问题中的逻辑纪念，即是GLM的一个特例。

装配statsmodels

在驱动之前，确保你依然装配了statsmodels库。若是莫得，不错通过pip装配：

1bash复制代码2 pip install statsmodels

分析二分类问题

数据准备率先，咱们需要一些数据来熟谙。假定咱们有一个对于用户是否购买居品的数据集，包含两个特征：年岁和收入，以及一个指标变量：是否购买（1示意购买，0示意未购买）。

1python复制代码 2 import pandas as pd 3 import numpy as np 4 5# 创建一个示例数据集 6 data = { 7 'age': [25, 45, 35, 50, 23, 34, 40, 52, 28, 37], 8 'income': [50000, 80000, 60000, 120000, 45000, 55000, 70000, 130000, 52000, 63000], 9 'purchased': [0, 1, 0, 1, 0, 0, 1, 1, 0, 1]10 }11 df = pd.DataFrame(data)

构建GLM模子

在statsmodels中，构建GLM模子相配简单。咱们需要指定模子公式、数据集以及使用的散播和相接函数。对于二分类问题，咱们频繁使用Binomial散播和logit相接函数（这即是逻辑纪念）。

1python复制代码 2 import statsmodels.api as sm 3 4# 添加常数项（截距） 5 df['intercept'] = 1.0 6 7# 指定模子公式：'purchased ~ age + income + intercept' 8 model = sm.GLM(df['purchased'], df[['intercept', 'age', 'income']], family=sm.families.Binomial()) 910# 拟合模子11 result = model.fit()12 print(result.summary())

运行截止会显现模子的详备信息，包括统统、设施误、z值、P值等。最蹙迫的是，咱们不错看到每个特征对指标变量的影响标的和大小。小贴士：intercept是咱们手动添加的常数项，用于模子中的截距。在statsmodels中，若是不添加这一项，模子将不会自动包含截距。阐述模子截止统统（coef）：示意特征对指标变量（购买概率）的影响标的和大小。正数示意正接洽，负数示意负接洽。P值（P>|z|）：用于熟谙特征是否权贵。频繁，P值小于0.05示意特征权贵。

分析多分类问题

多分类问题比二分类问题稍稍复杂一些，但旨趣相似。咱们假定目下有一个对于生果分类的数据集，包含神采、大小两个特征，以及一个指标变量：生果类型（苹果、香蕉、橙子）。

数据准备（多分类）

1python复制代码 2# 创建一个示例数据集（多分类） 3 data_multi = { 4 'color': ['red', 'yellow', 'orange', 'yellow', 'red', 'orange', 'yellow', 'orange', 'red', 'yellow'], 5 'size': ['small', 'medium', 'large', 'large', 'medium', 'small', 'medium', 'large', 'small', 'medium'], 6 'fruit_type': ['apple', 'banana', 'orange', 'banana', 'apple', 'orange', 'banana', 'orange', 'apple', 'banana'] 7 } 8 df_multi = pd.DataFrame(data_multi) 910# 将分类变量调养为数值变量（独热编码）11 df_multi = pd.get_dummies(df_multi, columns=['color', 'size'], drop_first=True)

构建多分类GLM模子

对于多分类问题，咱们频繁使用Multinomial散播。在statsmodels中，这需要咱们稍稍调养一下模子构建的面目。

1python复制代码2# 指定模子公式（多分类）3 model_multi = sm.MNLogit(df_multi['fruit_type'], df_multi.drop(columns=['fruit_type']), ref_category='apple')45# 拟合模子6 result_multi = model_multi.fit()7 print(result_multi.summary())

运行截止同样会显现模子的详备信息。重视，这里咱们指定了一个参考类别（ref_category='apple'），这意味着模子将输出相对于苹果类别的概率比。

总结与熟谙

小伙伴们，今天咱们学习了怎么使用statsmodels库中的GLM模子来分析二分类和多分类问题。通过实例，咱们了解了怎么准备数据、构建模子、阐述截止。GLM模子是一个远大的器用，不错匡助咱们潜入贯串数据中的复杂关系。熟谙题：1.尝试使用GLM模子分析一个包含更多特征的二分类数据集，比如有计划用户是否会点击一个告白。2.对于多分类问题，尝试蜕变参考类别，不雅察模子截止的变化。3.想考并探究：在二分类问题中，为什么咱们频繁使用logit相接函数？在多分类问题中，MNLogit模子是怎么责任的？记起多多来源熟谙，现实是熟谙学习效能的最佳设施。有任何疑问随时在批驳区找我雷同哦。祝群众学习顺利，Python手段更进一竿！