Lineare Regression

Das Ergebnis habe ich schon, jetzt brauche ich nur noch den Weg, der zu ihm führt.

— Carl Friedrich Gauß

Regressionsmodelle sind eine Klasse von statistischen Modellen zum überwachten Lernen, die verwendet werden, um die Beziehung zwischen einer abhängigen Variable und einer oder mehreren unabhängigen Variablen zu modellieren. Sie werden häufig eingesetzt, um Vorhersagen zu treffen oder Muster in Daten zu erkennen.

Wir wollen verschiedene univariate und multivariate Modelle behandeln, also Modelle mit einer Eingangsvariable (univariat) und mit mehreren Eingangsvariablen (multivariat).

Univariat

Multivariat

Folien

Univariate Lineare Regression

Eines der einfachsten Machine Learning Modelle ist die Lineare Regression. Es basiert auf der Idee einer linearen Funktion aus der linearen Algebra. Dort ist eine lineare Funktion definiert als:

\[ \hat y_i = \hat f(x_i) = \beta_0 + \beta_1\cdot x_i. \]

Die Funktion modelliert Beziehung zwischen der Zielvariable \(\hat y_i\) und einer unabhängigen Variable \(x_i\) in Form einer einfachen Linie definiert durch die Funktion \(\hat f(x_i)\). Die Parameter sind die Achsenverschiebung (en. intercept) \(\beta_0\)​ und der Anstieg \(\beta_1\).

Bestimmen der Parameter für zwei Punkte

Aus der linearen Algebra wissen wir, dass wir die Parameter \(\beta_0\) und \(\beta_1\) bestimmen können (en. fitting), wenn wir zwei Punkte \([y_0, x_0]\) und \([y_1, x_1]\) kennen und das Gleichungssystem für diese aufstellen und lösen

(3)\[\begin{align} y_0 = \beta_0 + \beta_1\cdot x_0,\\ y_1 = \beta_0 + \beta_1\cdot x_1. \end{align}\]

Wir stellen \(y_0\) nach \(\beta_0\) um

\[ \beta_0 = y_0 - \beta_1\cdot x_0 \]

und setzten es in \(y_1\) ein und erhalten

(4)\[\begin{align} y_1 &= y_0 - \beta_1\cdot x_0 + \beta_1\cdot x_1,\\ y_1 - y_0 &= \beta_1 (x_1 - x_0),\\ \beta_1 &=\frac{y_1 - y_0}{x_1 - x_0}.\\ \end{align}\]

Damit können wir die Parameter für einen Datensatz mit zwei Punkten bestimmen

import numpy as np # Import von NumPy
import pandas as pd # Import von Pandas
import plotly.express as px # Import von Plotly

xy = pd.DataFrame({"x":[20,80], "y":[2,3]})
px.scatter(xy, x="x", y="y")

beta_1 = (xy.y[1] - xy.y[0]) / (xy.x[1] - xy.x[0])
beta_0 = xy.y[0] - beta_1 * xy.x[0]
beta_0, beta_1

(1.6666666666666667, 0.016666666666666666)

Jetzt haben wir ein einfaches Modell bestimmt und wir können damit beliebige Punkte auf dieser Linie berechnen. Sind wir innerhalb des Bereiches \(20 \leq x \leq 80\) so nennt man das Interpolation. Sind wir außerhalb \(x < 20\) oder \(x > 80\) so nennt man es Extrapolation.

xy = pd.DataFrame({"x":range(100)})
xy["y"]= beta_0 + beta_1 * xy.x
xy["type"] = np.where((20 <= xy.x) & (xy.x <= 80), "Interpolation", "Extrapolation")

px.line(xy, x="x", y="y", color="type", markers=True)

/Users/jploennigs/miniconda3/envs/lehre/lib/python3.11/site-packages/plotly/express/_core.py:2065: FutureWarning:

When grouping with a length-1 list-like, you will need to pass a length-1 tuple to get_group in a future version of pandas. Pass `(name,)` instead of `name` to silence this warning.

Bestimmen der Parameter für mehrere Punkte

Diese Lösung funktioniert nicht, wenn wir eine lineare Funktion für mehrere Punkte bestimmen wollen, da diese dann überbestimmt ist, sofern nicht alle Punkte auf einer Linie liegen.

Um die Parameter \(\beta_0\)​ und \(\beta_1\)​ zu schätzen, verwenden wir die Methode der kleinsten Quadrate (en. Ordinary Least Squares - OLS). Sie wurde von Carl Friedrich Gauß entwickelt zum Annähern von Planetenbahnen. OLS minimiert die Summe der quadrierten Anpassungsfehler. Der Anpassungsfehler \(\varepsilon_i\) berechnet sich aus der Differenz des Zielwertes \(y_i\) und der Vorhersage des linearen Modells \(y_i\)

\[ \varepsilon_i = \hat y_i - y_i = \beta_0 + \beta_1 x_i - y_i. \]

Dieser Anpassungsfehler wird auch als Residuum bezeichnet. Man schreibt deshalb das lineare Modell auch oft als

\[ y_i = \beta_0 + \beta_1 x_i + \varepsilon_i. \]

Zu beachten ist, dass \(y_i\) der Zielwert ist und nicht die Vorhersage \(\hat y_i\) von zuvor.

Hierbei wird angenommen, das der Fehler \(\varepsilon_i\) normalverteilt ist. Unter dieser Annahme lassen sich die Koeffizienten \(\beta_{0}\) und \(\beta_{1}\) mit der kleinsten Summe der Fehlerquadrate aus folgendem Optimierungsproblem bestimmen

\[ \min_{\beta_0,\beta_1} \sum_{i=1}^n \varepsilon_i^2. \]

Aus der Mathematik ist bekannt, das eine Funktion ein lokales Extremum erreicht, wenn ihre erste Ableitung zu Null wird. Wir können also das Minimum bestimmen, indem wir die erste Ableitung null setzen. Da \(\beta_0\) und \(\beta_1\) unsere variablen Parameter sind, bilden wir hierfür die partielle Ableitung nach \(\beta_0\) und \(\beta_1\) und bestimmen davon die Nullstellen. Dabei hilft uns das Fehlerquadrat, dass es dadurch eine eindeutige Lösung gibt, welchje gegeben ist durch das lineare Gleichungssystem

(5)\[\begin{align} n \cdot \beta_0 + \beta_1 \sum\limits_{i=1}^n x_i &= \sum\limits_{i=1}^n y_i \\ \beta_0 \sum\limits_{i=1}^n x_i +\beta_1 \sum\limits_{i=1}^n x_i^2 &= \sum\limits_{i=1}^n x_i y_i \end{align}\]

mit der Lösung für den Anstieg

\[ \beta_1 = \frac{\sum\nolimits_{i=1}^{n} (x_i - \bar x)(y_i - \bar y)}{\sum\nolimits_{i=1}^{n} (x_i - \bar x)^2} \]

mit der Summe der Abweichungsprodukte im Zähler und der Summe der Abweichungsquadrate im Nenner. Für die Abweichung ergibt sich

\[ \beta_0 = \bar y - \beta_1 \bar x \]

mit den Mittelwerten für \(\bar x\) und \(\bar y\).

Wenn wir die Lösung vergleichen mit der Lösung für eine lineare Funktion mit zwei Punkten, so sehen wir eine Ähnlichkeit, insbesondere bei \(\beta_0\), nur dass wir hier mit Mittelwerten \(\bar x\) und \(\bar y\) statt direkt mit dem Vorgängerwerten rechnen.

Beispiel

Wir wollen das lineare Modell nutzen, um den Zusammenhang zwischen Außentemperatur und dem Energieverbrauch zu modellieren. Hierfür laden wir wieder den Energie- und Wetterdatensatz der Uni Rostock

egywth = pd.read_csv("../data/UROS/Energy1D_weather_clean.csv", parse_dates=[0])
egywth.head()

	Date	EV_HT_740	EV_NT_740	E_AV_Lab	E_SV_Lab	ES_Lab	DATUM_DT	STATIONS_ID	MESS_DATUM	QN_3	...	TMK	UPM	TXK	TNK	TGK	eor	TemperaturKlasse	HeizKuehlTage	QNS_4	QNF_4
0	2020-12-30	NaN	NaN	NaN	NaN	NaN	2020-12-30	4271.0	20201230.0	10.0	...	4.0	81.0	4.6	2.9	2.2	eor	Cold	Heizgradtag	nicht alle Parameter korrigiert	5
1	2020-12-31	NaN	NaN	1256.0	291.0	5.0	2020-12-31	4271.0	20201231.0	10.0	...	3.4	83.0	4.4	2.3	0.9	eor	Cold	Heizgradtag	nicht alle Parameter korrigiert	5
2	2021-01-01	0.0	4080.0	1221.0	290.0	1.0	2021-01-01	4271.0	20210101.0	10.0	...	2.0	90.0	3.0	1.1	0.3	eor	Cold	Heizgradtag	nicht alle Parameter korrigiert	5
3	2021-01-02	1170.0	2630.0	1243.0	284.0	2.0	2021-01-02	4271.0	20210102.0	10.0	...	3.3	95.0	4.0	2.6	2.0	eor	Cold	Heizgradtag	nicht alle Parameter korrigiert	5
4	2021-01-03	0.0	3750.0	1222.0	283.0	2.0	2021-01-03	4271.0	20210103.0	10.0	...	3.5	81.0	4.6	2.4	0.8	eor	Cold	Heizgradtag	nicht alle Parameter korrigiert	5

5 rows × 30 columns

Wir interessieren uns als erstes den Energieverbrauch ES_Lab und die mittlere Außentemperatur TMK. Wir betrachten uns das Streudiagramm. Darin lässt sich ein leichter linearer Trend erkennen, da der Energieverbrauch bei hohen Temperaturen über 10 Grad steigt, was auf eine aktive Kühlung hinweist.

fig = px.scatter(egywth, x="TMK", y="ES_Lab", opacity=.5)
fig

Mit den Formeln oben können wir uns jetzt ein lineares Modell berechnen. Hierbei ist ES_Lab unsere Zielvariable \(\boldsymbol y\) und TMK unsere Eingangsvariable \(\boldsymbol x\).

beta_1 = ((egywth.TMK - egywth.TMK.mean())*(egywth.ES_Lab - egywth.ES_Lab.mean())).sum()
beta_1 /= (egywth.TMK - egywth.TMK.mean()).pow(2).sum()

beta_0 = egywth.ES_Lab.mean() - beta_1 * egywth.TMK.mean()

beta_0, beta_1

(7.95973736889691, 3.1496156006907596)

Um das Lineare Modell mit dem Originalwerten zu vergleichen, können wir die Vorhersagen entsprechend der ersten Formel bestimmen

# Wir nehmen noch einmal die TMK Werte und sortieren sie
pred_x = np.sort(egywth.TMK.values)

pred_y = beta_0 + beta_1 * pred_x

fig.add_scatter(x=pred_x, y=pred_y, name="manual")
fig

Hier zeigt sich die im Streudiagramm leicht sichtbare Korrelation nun sehr deutlich. Das lineare Regressionsmodell erlaubt uns also insbesondere lineare Zusammenhänge zu extrahieren, die sonst in der Streuung untergehen.

Das können wir uns sogar im Streudiagramm mit Plotly direkt berechnen lassen, indem wir die Trendlinie ols angeben. Dieses Lineare Regressionsmodell wird von Plotly mit der Bibliothek statsmodels berechnet.

px.scatter(egywth, x="TMK", y="ES_Lab", opacity=.5, trendline="ols")

ML-Frameworks für Lineare Regression

Plotly zeigt bereits, dass es nicht notwendig ist, dass man sich das lineare Modell selbst berechnet. Es gibt verschiedene Pakete die ML-Modelle implementieren und genutzt werden können. Wir diskutieren zwei beliebte Bibliotheken für die lineare Regression in Python. Das ist zum einen das von Plotly genutzte statsmodels.formula.api. Sie ist nützlich, wenn wir die Modellkomponenten selbst bestimmen wollen und die ideale Kombination an Variablen identifizieren wollen, da es einen einfachen Formelsyntax bietet und bietet gut gestaltete Zusammenfassungstabellen. Die andere Bibliothek, sklearn, ist eher zum Vergleich verschiedener Vorhersagemodelle geeignet, da die Bibliothek ein standardisiertes Vorgehen und Methoden bietet. Allerdings gibt es kein Formelsyntax, sondern erwartet die Eingaben als Numpy Matrizen und bietet auch keine schön formatierten Zusammenfassungstabellen.

SciKit-Learn

Die erste Bibliothek ist SciKit-Learn. Sie enthält viele ML-Modelle inklusive der Linearen Regression.

from sklearn.linear_model import LinearRegression

sklm = LinearRegression() # Das legt nur eine Instanz der Modellklasse an

Dieser Aufruf erstellt nur eine Modellinstanz aber enthält noch keine Daten. Diese müssen wir trainieren, was wir mit der Methode fit() machen können, der wir die Eingabedaten und die Zieldaten übergeben. SciKit-Learn arbeitet allerdings nicht direkt auf Pandas DataFrames sondern mit Numpy Arrays, weshalb wir die Pandas Serien in ein Numpy Arrays umwandeln müssen, wofür wir das Attribute values und die Methode reshape nutzen (um das Array in eine Matrix umzuwandeln).

X = egywth.TMK.values.reshape(-1, 1) # Wir erstellen eine Matrix der Eingangsdaten
Y = egywth.ES_Lab.values             # Wir erstellen einen Vektor der Zieldaten
sklm.fit(X, Y)

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
Cell In[11], line 3
      1 X = egywth.TMK.values.reshape(-1, 1) # Wir erstellen eine Matrix der Eingangsdaten
      2 Y = egywth.ES_Lab.values             # Wir erstellen einen Vektor der Zieldaten
----> 3 sklm.fit(X, Y)

File ~/miniconda3/envs/lehre/lib/python3.11/site-packages/sklearn/base.py:1474, in _fit_context.<locals>.decorator.<locals>.wrapper(estimator, *args, **kwargs)
   1467     estimator._validate_params()
   1469 with config_context(
   1470     skip_parameter_validation=(
   1471         prefer_skip_nested_validation or global_skip_validation
   1472     )
   1473 ):
-> 1474     return fit_method(estimator, *args, **kwargs)

File ~/miniconda3/envs/lehre/lib/python3.11/site-packages/sklearn/linear_model/_base.py:578, in LinearRegression.fit(self, X, y, sample_weight)
    574 n_jobs_ = self.n_jobs
    576 accept_sparse = False if self.positive else ["csr", "csc", "coo"]
--> 578 X, y = self._validate_data(
    579     X, y, accept_sparse=accept_sparse, y_numeric=True, multi_output=True
    580 )
    582 has_sw = sample_weight is not None
    583 if has_sw:

File ~/miniconda3/envs/lehre/lib/python3.11/site-packages/sklearn/base.py:650, in BaseEstimator._validate_data(self, X, y, reset, validate_separately, cast_to_ndarray, **check_params)
    648         y = check_array(y, input_name="y", **check_y_params)
    649     else:
--> 650         X, y = check_X_y(X, y, **check_params)
    651     out = X, y
    653 if not no_val_X and check_params.get("ensure_2d", True):

File ~/miniconda3/envs/lehre/lib/python3.11/site-packages/sklearn/utils/validation.py:1279, in check_X_y(X, y, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, multi_output, ensure_min_samples, ensure_min_features, y_numeric, estimator)
   1259     raise ValueError(
   1260         f"{estimator_name} requires y to be passed, but the target y is None"
   1261     )
   1263 X = check_array(
   1264     X,
   1265     accept_sparse=accept_sparse,
   (...)
   1276     input_name="X",
   1277 )
-> 1279 y = _check_y(y, multi_output=multi_output, y_numeric=y_numeric, estimator=estimator)
   1281 check_consistent_length(X, y)
   1283 return X, y

File ~/miniconda3/envs/lehre/lib/python3.11/site-packages/sklearn/utils/validation.py:1289, in _check_y(y, multi_output, y_numeric, estimator)
   1287 """Isolated part of check_X_y dedicated to y validation"""
   1288 if multi_output:
-> 1289     y = check_array(
   1290         y,
   1291         accept_sparse="csr",
   1292         force_all_finite=True,
   1293         ensure_2d=False,
   1294         dtype=None,
   1295         input_name="y",
   1296         estimator=estimator,
   1297     )
   1298 else:
   1299     estimator_name = _check_estimator_name(estimator)

File ~/miniconda3/envs/lehre/lib/python3.11/site-packages/sklearn/utils/validation.py:1049, in check_array(array, accept_sparse, accept_large_sparse, dtype, order, copy, force_all_finite, ensure_2d, allow_nd, ensure_min_samples, ensure_min_features, estimator, input_name)
   1043     raise ValueError(
   1044         "Found array with dim %d. %s expected <= 2."
   1045         % (array.ndim, estimator_name)
   1046     )
   1048 if force_all_finite:
-> 1049     _assert_all_finite(
   1050         array,
   1051         input_name=input_name,
   1052         estimator_name=estimator_name,
   1053         allow_nan=force_all_finite == "allow-nan",
   1054     )
   1056 if copy:
   1057     if _is_numpy_namespace(xp):
   1058         # only make a copy if `array` and `array_orig` may share memory`

File ~/miniconda3/envs/lehre/lib/python3.11/site-packages/sklearn/utils/validation.py:126, in _assert_all_finite(X, allow_nan, msg_dtype, estimator_name, input_name)
    123 if first_pass_isfinite:
    124     return
--> 126 _assert_all_finite_element_wise(
    127     X,
    128     xp=xp,
    129     allow_nan=allow_nan,
    130     msg_dtype=msg_dtype,
    131     estimator_name=estimator_name,
    132     input_name=input_name,
    133 )

File ~/miniconda3/envs/lehre/lib/python3.11/site-packages/sklearn/utils/validation.py:175, in _assert_all_finite_element_wise(X, xp, allow_nan, msg_dtype, estimator_name, input_name)
    158 if estimator_name and input_name == "X" and has_nan_error:
    159     # Improve the error message on how to handle missing values in
    160     # scikit-learn.
    161     msg_err += (
    162         f"\n{estimator_name} does not accept missing values"
    163         " encoded as NaN natively. For supervised learning, you might want"
   (...)
    173         "#estimators-that-handle-nan-values"
    174     )
--> 175 raise ValueError(msg_err)

ValueError: Input y contains NaN.

Hier gibt es allerdings einen Fehler. SciKit beschwert sich, dass der Datensatz NaN enthält. Zum Glück haben wir beim Data Cleaning gelernt, wie wir diese mit .dropna() entfernen können. Das müssen wir allerdings für den Eingangsvektor X und Y gleichzeitig machen, damit sie sich nicht verschieben oder unterschiedlich lang sind. Deshalb wenden wir .dropna() auf die Orginaldaten an und splitten die Daten danach in X und Y.

egywthNoNA=egywth[["TMK", "ES_Lab"]].dropna().sort_values("TMK") # Drop NA rows

# Modell trainieren
X = egywthNoNA.TMK.values.reshape(-1, 1)
Y = egywthNoNA.ES_Lab.values
sklm.fit(X, Y)

LinearRegression()

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

Wir können die gelernten Parameter uns anschauen mit

sklm.intercept_, sklm.coef_

(7.7783949590657, array([3.18532247]))

Eine Vorhersage können wir bestimmen mit der Methode predict welcher wir die vorherzusagenden X-Matrix übergeben.

egywthNoNA["pred"] = sklm.predict(X)

fig.add_scatter(x=egywthNoNA.TMK, y=egywthNoNA.pred, name="sklearn")
fig

Wir erkennen eine Abweichung zwischen der manuell berechneten Funktion und der Funktion von SciKit. Das lässt sich mit den entfernten Werten erklären.

Statsmodels

Alternativ zu SciKit-Learn kann man Statsmodels nutzen. Es fokussiert stärker auf statistisch Modelle, einschließlich ols, ordinary least squares, d.h. lineare Regression. Die grundlegende Syntax von ols ist

smf.ols(equation, data)

Die Besonderheit ist, dass der Zusammenhang hier mit equation als Formel in der Form "y ~ x" angebbar ist und data direkt ein Dataframe ist, der die Variablen enthält. Es ist also nicht erforderlich, eine explizite Designmatrix zu erstellen, wie bei sklearn. Diese Formeln stammen aus ursprünglich aus der Programmiersprache \(R\) für maschinelles Lernen, wo sie ähnlich verwendet werden.

In der Formel wird das, was vor der Tilde ~ steht, als abhängige Variable betrachtet (hier \(y\)), und was danach steht, sind unabhängige Variablen (hier nur \(x\)). Sofern nicht ausdrücklich anders gefordert, beinhaltet das Modell auch die Achsenverschiebung \(\beta_0\).

Zum Beispiel kann die Regression der Energiedaten wie folgt durchgeführt werden:

import statsmodels.formula.api as smf

smfols = smf.ols("ES_Lab ~ TMK", egywth)

Diese Zeile konfiguriert auch wieder nur das lineare Regressionsmodell, lernt aber noch nicht die Parameter. Hierfür muss auch die Methode .fit() aufgerufen werden, allerdings ohne Daten und Formel, da die ja schon definiert sind.

smflm = smfols.fit() # Der Aufruf gibt das eigentliche Modell zurück

Die Parameter lassen sich hier am Attribut params auslesen oder mit der Methode summary() inklusiver Fehlerstatistiken strukturiert anzeigen. Auf diese gehen wir später noch ein.

smflm.params

Intercept    7.778395
TMK          3.185322
dtype: float64

smflm.summary()

OLS Regression Results

Dep. Variable:	ES_Lab	R-squared:	0.381
Model:	OLS	Adj. R-squared:	0.380
Method:	Least Squares	F-statistic:	663.7
Date:	Fri, 12 Jul 2024	Prob (F-statistic):	1.79e-114
Time:	12:30:53	Log-Likelihood:	-5107.2
No. Observations:	1082	AIC:	1.022e+04
Df Residuals:	1080	BIC:	1.023e+04
Df Model:	1
Covariance Type:	nonrobust

	coef	std err	t	P>|t|	[0.025	0.975]
Intercept	7.7784	1.540	5.050	0.000	4.756	10.801
TMK	3.1853	0.124	25.762	0.000	2.943	3.428

Omnibus:	61.376	Durbin-Watson:	0.603
Prob(Omnibus):	0.000	Jarque-Bera (JB):	68.207
Skew:	0.596	Prob(JB):	1.55e-15
Kurtosis:	2.696	Cond. No.	23.3

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

Eine Vorhersage machen wir hier wieder mit der Methode predict(). Hier ist zu beachten, dass die Methode jetzt einen DataFrame in der gleichen Gestalt, wie beim Training erwartet, also einen mit der Spalte “TMK”.

pred_x_df  = pd.DataFrame({"TMK":pred_x})
pred_y_smf = smflm.predict(pred_x_df)

Wenn wir das Ergebnis darstellen, sehen wir, dass das Modell identisch ist mit dem von SciKit-Learn.

fig.add_scatter(x=pred_x, y=pred_y_smf, name="statsmodel")
fig

Multivariate Lineare Regression

Interessant wird die lineare Regression, wenn man nicht nur Modelle trainiert, die von einer Variable abhängen, sondern von mehreren Eingangsvariablen. Methodisch ist das nur eine Verallgemeinerung des bereits bekannten Modells in dem man die Beziehung zwischen einer abhängigen Zielvariable \(\boldsymbol y\) und mehreren unabhängigen Eingangsvariablen \(\boldsymbol x_1, \boldsymbol x_2, \ldots, \boldsymbol x_k\) modelliert. Sie wird häufig in maschinellen Lernanwendungen eingesetzt, um Vorhersagen zu treffen oder Muster in Daten zu erkennen.

Hierfür erweitern wir die ursprüngliche univariate Gleichung der linearen Regression einfach um weitere Anstiege \(\beta_1, \ldots, \beta_k\) für jede unabhängige Eingangsvariable \(\boldsymbol x_1, \boldsymbol x_2, \ldots, \boldsymbol x_k\):

\[ \boldsymbol y = \beta_0 + \beta_1 \boldsymbol x_1 + \beta_2 \boldsymbol x_2 + \ldots + \beta_k \boldsymbol x_k + \epsilon = \boldsymbol X \boldsymbol \beta + \epsilon \]

Um die Parameter \(\beta_1, \beta_2, \ldots, \beta_k\) zu schätzen, verwenden wir wieder die Methode der kleinsten Quadrate (OLS) und minimiert die Summe der quadrierten Fehler:

\[ Q = \sum_{i=1}^n (y_i - (\beta_0 + \beta_1 x_{i,1} + \beta_2 x_{i,2} + ... + \beta_k x_{i,k}))^2 \]

wobei n die Anzahl der Datenpunkte ist und \(y_i ,x_{i,1},x_{i,2},\ldots,x_{i,k}\) die Werte der Variablen für den \(i\)-ten Datenpunkt sind.

Um die Parameter \(\beta_0, \ldots, \beta_k\) zu schätzen bestimmen wir wieder die Nullstellen der partiellen Ableitungen \(\frac{\partial Q}{\partial \beta_0} =0\) bis \(\frac{\partial Q}{\partial \beta_i} =0\) für \(i=1,2,\ldots,k\).

Die Lösung des Minimierungsproblems ergibt die folgenden Gleichungen für die Regressionskoeffizienten:

\[ \beta_0 = \frac{\sum_{i=1}^n (y_i - \bar y) \bar x_i}{\sum_{i=1}^n \bar x_i^2} \]

\[ \beta_j = \frac{\sum_{i=1}^n (y_i - \bar y) (x_{i,j} - \bar x_j)}{\sum_{i=1}^n (x_{i,j} - \bar x_j)^2} \]

wobei:

• \(\bar y\) der Mittelwert der abhängigen Variable ist

• \(\bar x_j\) der Mittelwert der \(j\)-ten unabhängigen Variable ist

• \(x_{i,j}\) der Wert der \(j\)-ten unabhängigen Variable für den \(i\)-ten Datensatzpunkt ist

Das lässt sich auch numerisch durch Matrizeninversion lösen

\[ \boldsymbol \beta = (\boldsymbol X^T \cdot \boldsymbol X)^{-1} * (\boldsymbol X^T \cdot \boldsymbol y) \]

SciKit-Learn

Wir können in SciKit-Learn sehr einfach ein multivariates Modell erstellen, indem wir eine Matrix mit allen Eingangspalten übergeben.

sklm_mv = LinearRegression()

egywthNoNA_MV = egywth[["SDK", "NM", "VPM", "TMK", "ES_Lab"]].dropna().sort_values("TMK") # Drop NA rows

# Modell trainieren
X_MV = egywthNoNA_MV.iloc[:,:-1].values # alles außer letzte Spalte
Y_MV = egywthNoNA_MV.ES_Lab.values
sklm_mv.fit(X_MV, Y_MV)

LinearRegression()

In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.

egywthNoNA_MV["pred"] = sklm_mv.predict(X_MV)
fig.add_scatter(x=egywthNoNA_MV.TMK, y=egywthNoNA_MV.pred, name="sklearn MV")
fig

Wir sehen hier, dass die neue multivariate Vorhersage zumindest in dieser Darstellung des Streudiagramms schlechter scheint. Wir schauen später, ob diese Beobachtung stimmt.

Statsmodels

Auch in Statsmodels können wir einfach ein multivariates Modell erzeugen, indem wir einfach mehr Variablen in der Formel aufnehmen. Im Falle von mehr unabhängigen Variablen können diese mit einem Pluszeichen hinzugefügt werden, zum Beispiel "y ~ x1 + x2 + x3". Dies entspricht dem Regressionsmodell.

\[ \boldsymbol y = \beta_0 + \beta_1 \boldsymbol x_1 + \beta_2 \boldsymbol x_2 + \beta_3 \boldsymbol x_3 + \epsilon \]

Daher bedeutet das Pluszeichen in der Formel nicht “addieren”, sondern “in das Modell aufnehmen”. Die Formel sollte also so gelesen werden: “Verwende \(\boldsymbol y\) als abhängige Variable und nimm \(\boldsymbol x_1\), \(\boldsymbol x_2\) und \(\boldsymbol x_3\) als erklärende Variablen auf.”

Zum Beispiel können wir den Energieverbrauch unter zu Hilfenahme der Sonnenscheindauer (SDK), dem mittleren Bedeckungsgrade (NM) und des Dampfdruckes (VPM) bestimmen:

smflm_mv = smf.ols("ES_Lab ~ TMK + SDK + NM + VPM", data=egywth).fit()

smflm_mv.params

Intercept   -20.611237
TMK           1.997753
SDK           6.936602
NM            3.690851
VPM          -1.571116
dtype: float64

smflm_mv.summary()

OLS Regression Results

Dep. Variable:	ES_Lab	R-squared:	0.872
Model:	OLS	Adj. R-squared:	0.871
Method:	Least Squares	F-statistic:	1754.
Date:	Fri, 12 Jul 2024	Prob (F-statistic):	0.00
Time:	12:30:53	Log-Likelihood:	-4088.9
No. Observations:	1039	AIC:	8188.
Df Residuals:	1034	BIC:	8212.
Df Model:	4
Covariance Type:	nonrobust

	coef	std err	t	P>|t|	[0.025	0.975]
Intercept	-20.6112	2.932	-7.030	0.000	-26.364	-14.858
TMK	1.9978	0.202	9.884	0.000	1.601	2.394
SDK	6.9366	0.180	38.489	0.000	6.583	7.290
NM	3.6909	0.336	10.986	0.000	3.032	4.350
VPM	-1.5711	0.295	-5.333	0.000	-2.149	-0.993

Omnibus:	72.688	Durbin-Watson:	1.079
Prob(Omnibus):	0.000	Jarque-Bera (JB):	184.271
Skew:	-0.378	Prob(JB):	9.68e-41
Kurtosis:	4.920	Cond. No.	140.

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

egywthNoNA_MV["pred2"] = smflm_mv.predict(egywthNoNA_MV)
fig.add_scatter(x=egywthNoNA_MV.TMK, y=egywthNoNA_MV.pred2, name="statsmodel MV")
fig

Umgang mit kategorischen Eingangsvariablen und Kombinationen

Neben der bloßen Spezifizierung der Variablen bieten die Formeln viele weitere Optionen. So können wir auch kategorische Eingangsvariablen einfach zum Modell hinzufügen. Erstens ist zu beachten, dass wenn die Variable kategorisch ist (d.h. ein String), wird sie automatisch in entsprechende Dummy-Variablen umgewandelt. Fügen wir zu unserem Datensatz den Wochentag als kategorische Variable hinzu

egywth["Weekday"] = egywth["Date"].dt.day_name()
egywth["Weekday"]

0       Wednesday
1        Thursday
2          Friday
3        Saturday
4          Sunday
          ...    
1093     Thursday
1094       Friday
1095     Saturday
1096       Sunday
1097       Monday
Name: Weekday, Length: 1098, dtype: object

Trainieren wir darauf ein Modell können wir die kategorische Variable direkt mit angeben.

smflm_mv_wd = smf.ols("ES_Lab ~ TMK + SDK + NM + VPM + Weekday", data=egywth).fit()

smflm_mv_wd.summary()

OLS Regression Results

Dep. Variable:	ES_Lab	R-squared:	0.872
Model:	OLS	Adj. R-squared:	0.871
Method:	Least Squares	F-statistic:	699.5
Date:	Fri, 12 Jul 2024	Prob (F-statistic):	0.00
Time:	12:30:53	Log-Likelihood:	-4087.5
No. Observations:	1039	AIC:	8197.
Df Residuals:	1028	BIC:	8251.
Df Model:	10
Covariance Type:	nonrobust

	coef	std err	t	P>|t|	[0.025	0.975]
Intercept	-20.8895	3.053	-6.842	0.000	-26.881	-14.898
Weekday[T.Monday]	0.0295	1.446	0.020	0.984	-2.809	2.868
Weekday[T.Saturday]	-0.7237	1.443	-0.502	0.616	-3.555	2.107
Weekday[T.Sunday]	0.7229	1.449	0.499	0.618	-2.120	3.566
Weekday[T.Thursday]	-0.2152	1.442	-0.149	0.881	-3.045	2.615
Weekday[T.Tuesday]	1.3861	1.442	0.961	0.337	-1.444	4.216
Weekday[T.Wednesday]	0.4161	1.445	0.288	0.773	-2.419	3.251
TMK	2.0007	0.203	9.874	0.000	1.603	2.398
SDK	6.9364	0.181	38.341	0.000	6.581	7.291
NM	3.6994	0.337	10.962	0.000	3.037	4.362
VPM	-1.5740	0.295	-5.328	0.000	-2.154	-0.994

Omnibus:	70.515	Durbin-Watson:	1.075
Prob(Omnibus):	0.000	Jarque-Bera (JB):	176.111
Skew:	-0.370	Prob(JB):	5.73e-39
Kurtosis:	4.877	Cond. No.	156.

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

Die Zeile Weekday[T.Monday] zeigt den Effekt der Dummy-Variable mit dem Wert Monday. Darauf folgt Saturday da die Kategorien alphabetisch geordnet werden. Daraus folgt ein lineares Modell in der Form

\[ \boldsymbol y = \beta_0 + \beta_\text{T.Monday} \boldsymbol x_\text{T.Monday} + \beta_\text{T.Saturday} \boldsymbol x_\text{T.Saturday} + \ldots + \beta_\text{T.Wednesday} \boldsymbol x_\text{T.Wednesday} + \beta_\text{TMK} \boldsymbol x_\text{TMK} + \ldots + \beta_\text{VPM} \boldsymbol x_\text{VPM} + \varepsilon \]

mit den binären Dummy-Variablen \(\boldsymbol x_{T.Monday}\) für die Wochentage die \(0\) sind an den Tagen wo kein Montag ist und \(1\) an Montagen. Das bedeutet, dass für jeden Wochentag ein spezifischer Intersept \(\beta_{T.Monday}, \ldots, \beta_{T.Sunday}\) im Modell aktiviert wird.

In manchen Fällen sind die Kategorien keine Zeichenketten, sondern haben numerische Labels. Hier kann das Modell diese numerischen Kategorien nicht von numerischen Werten unterscheiden und würde einen linearen Koeffizienten hinzufügen, anstatt eines binären. Zum Beispiel können wir die Wochentage auch numerisch codieren, für das Modell ist aber nicht die Reihenfolge relevant, sondern welcher Wochentag es ist. Dies können wir erzwingen, indem wir die Transformationsfunktion “C(Variable)” mit angeben.

egywth["WeekdayN"] = egywth["Date"].dt.dayofweek
egywth["WeekdayN"]

0       2
1       3
2       4
3       5
4       6
       ..
1093    3
1094    4
1095    5
1096    6
1097    0
Name: WeekdayN, Length: 1098, dtype: int32

smflm_mv_wd = smf.ols("ES_Lab ~ TMK + SDK + NM + VPM + C(WeekdayN)", data=egywth).fit()

smflm_mv_wd.summary()

OLS Regression Results

Dep. Variable:	ES_Lab	R-squared:	0.872
Model:	OLS	Adj. R-squared:	0.871
Method:	Least Squares	F-statistic:	699.5
Date:	Fri, 12 Jul 2024	Prob (F-statistic):	0.00
Time:	12:30:53	Log-Likelihood:	-4087.5
No. Observations:	1039	AIC:	8197.
Df Residuals:	1028	BIC:	8251.
Df Model:	10
Covariance Type:	nonrobust

	coef	std err	t	P>|t|	[0.025	0.975]
Intercept	-20.8600	3.111	-6.705	0.000	-26.965	-14.755
C(WeekdayN)[T.1]	1.3566	1.445	0.939	0.348	-1.479	4.192
C(WeekdayN)[T.2]	0.3866	1.447	0.267	0.789	-2.452	3.225
C(WeekdayN)[T.3]	-0.2447	1.443	-0.170	0.865	-3.077	2.588
C(WeekdayN)[T.4]	-0.0295	1.446	-0.020	0.984	-2.868	2.809
C(WeekdayN)[T.5]	-0.7533	1.444	-0.522	0.602	-3.586	2.080
C(WeekdayN)[T.6]	0.6934	1.448	0.479	0.632	-2.148	3.535
TMK	2.0007	0.203	9.874	0.000	1.603	2.398
SDK	6.9364	0.181	38.341	0.000	6.581	7.291
NM	3.6994	0.337	10.962	0.000	3.037	4.362
VPM	-1.5740	0.295	-5.328	0.000	-2.154	-0.994

Omnibus:	70.515	Durbin-Watson:	1.075
Prob(Omnibus):	0.000	Jarque-Bera (JB):	176.111
Skew:	-0.370	Prob(JB):	5.73e-39
Kurtosis:	4.877	Cond. No.	161.

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

Hierbei lassen sich auch Kombinationen betrachten. Zum Beispiel mag der Energieverbrauch nicht nur von den Wochentagen abhängen, sondern nutzt auch an Heiztagen und Kühltagen unterschiedliche Betriebsstrategien. Um das auszudrücken kann man kategorische Variablen mit * kombinieren, was in diesem Fall keine Multiplikationsoperator ist, sondern für die Kombinationen steht.

smflm_mv_wd2 = smf.ols("ES_Lab ~ TMK + SDK + NM + VPM + C(WeekdayN)*HeizKuehlTage", data=egywth).fit()

smflm_mv_wd2.summary()

OLS Regression Results

Dep. Variable:	ES_Lab	R-squared:	0.876
Model:	OLS	Adj. R-squared:	0.873
Method:	Least Squares	F-statistic:	298.8
Date:	Fri, 12 Jul 2024	Prob (F-statistic):	0.00
Time:	12:30:53	Log-Likelihood:	-4070.0
No. Observations:	1039	AIC:	8190.
Df Residuals:	1014	BIC:	8314.
Df Model:	24
Covariance Type:	nonrobust

	coef	std err	t	P>|t|	[0.025	0.975]
Intercept	-18.3083	3.315	-5.523	0.000	-24.813	-11.803
C(WeekdayN)[T.1]	2.1577	1.754	1.230	0.219	-1.284	5.600
C(WeekdayN)[T.2]	1.0729	1.769	0.606	0.544	-2.398	4.544
C(WeekdayN)[T.3]	0.3539	1.752	0.202	0.840	-3.084	3.791
C(WeekdayN)[T.4]	0.2426	1.761	0.138	0.890	-3.213	3.698
C(WeekdayN)[T.5]	-0.3289	1.747	-0.188	0.851	-3.758	3.100
C(WeekdayN)[T.6]	-0.3372	1.755	-0.192	0.848	-3.781	3.106
HeizKuehlTage[T.Kühlgradtag]	3.9698	5.915	0.671	0.502	-7.637	15.577
HeizKuehlTage[T.Normaltag]	5.2019	2.512	2.071	0.039	0.272	10.132
C(WeekdayN)[T.1]:HeizKuehlTage[T.Kühlgradtag]	-3.4876	9.169	-0.380	0.704	-21.480	14.505
C(WeekdayN)[T.2]:HeizKuehlTage[T.Kühlgradtag]	-18.8997	9.195	-2.055	0.040	-36.943	-0.856
C(WeekdayN)[T.3]:HeizKuehlTage[T.Kühlgradtag]	-5.9965	9.175	-0.654	0.514	-24.001	12.008
C(WeekdayN)[T.4]:HeizKuehlTage[T.Kühlgradtag]	-15.5864	8.474	-1.839	0.066	-32.214	1.042
C(WeekdayN)[T.5]:HeizKuehlTage[T.Kühlgradtag]	-4.4747	7.990	-0.560	0.576	-20.154	11.204
C(WeekdayN)[T.6]:HeizKuehlTage[T.Kühlgradtag]	-0.5844	7.663	-0.076	0.939	-15.621	14.452
C(WeekdayN)[T.1]:HeizKuehlTage[T.Normaltag]	-2.1827	3.128	-0.698	0.486	-8.322	3.956
C(WeekdayN)[T.2]:HeizKuehlTage[T.Normaltag]	-1.1488	3.096	-0.371	0.711	-7.225	4.927
C(WeekdayN)[T.3]:HeizKuehlTage[T.Normaltag]	-1.3698	3.121	-0.439	0.661	-7.494	4.755
C(WeekdayN)[T.4]:HeizKuehlTage[T.Normaltag]	0.6019	3.118	0.193	0.847	-5.516	6.720
C(WeekdayN)[T.5]:HeizKuehlTage[T.Normaltag]	-0.4470	3.157	-0.142	0.887	-6.643	5.749
C(WeekdayN)[T.6]:HeizKuehlTage[T.Normaltag]	4.1547	3.175	1.309	0.191	-2.075	10.385
TMK	1.9744	0.204	9.677	0.000	1.574	2.375
SDK	6.8849	0.182	37.827	0.000	6.528	7.242
NM	3.6449	0.336	10.851	0.000	2.986	4.304
VPM	-1.9031	0.309	-6.158	0.000	-2.510	-1.297

Omnibus:	64.597	Durbin-Watson:	1.101
Prob(Omnibus):	0.000	Jarque-Bera (JB):	184.425
Skew:	-0.282	Prob(JB):	8.97e-41
Kurtosis:	4.985	Cond. No.	777.

Notes:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.

Modellqualität

Residuen

Ein wichtiger Aspekt im Maschinellen Lernen ist die Bewertung der Qualität von Modellen, um auf dieser Basis zu entscheiden, ob die Fehler im Rahmen sind und welche Modelle geeignet sind. Die Grundlage für diese Bewertung sind meist die Residuen oder der Vorhersagefehler, die wir bereits zuvor kennen gelernt haben.

Betrachten wir einmal die Residuen für unser Beispiel von dem univariaten und multivariaten Linearen Modellen. Wir berechnen es, indem wir die Vorhersage vom Zielwert subtrahieren.

egywth["Pred_UV"]=smflm.predict(egywth)
egywth["Residum_UV"]= egywth.ES_Lab - egywth.Pred_UV

Wie bereits diskutiert, basiert die Annahme des Linearen Modells darauf, dass dieser Fehler Normalverteilt ist. Mit einem Histogramm können wir uns die Verteilung anschauen.

px.histogram(egywth.Residum_UV)

Die Verteilung des Residuums ist nicht Normalverteilt, sondern linkslastig. Das ist bereits ein Indiz, dass das Model vielleicht nicht optimal ist.

Schauen wir uns statt dem Streudiagramm, die Vorhersage in einem Liniendiagramm an.

px.line(egywth, x="Date", y=["ES_Lab", "Pred_UV"])

/Users/jploennigs/miniconda3/envs/lehre/lib/python3.11/site-packages/_plotly_utils/basevalidators.py:105: FutureWarning:

The behavior of DatetimeProperties.to_pydatetime is deprecated, in a future version this will return a Series containing python datetime objects instead of an ndarray. To retain the old behavior, call `np.array` on the result

Jetzt sehen wir, dass das ursprüngliche lineare Modell im Streudiagramm recht gut aussah, weil es den mittleren Trend gut erfasst hat. In der Zeitreihe offenbart sich allerdings eine recht klare Abweichung vom Original.

Vergleichen wir das mit dem multivariaten Modell

egywth["Pred_MV"]=smflm_mv_wd2.predict(egywth)
egywth["Residum_MV"]= egywth.ES_Lab - egywth.Pred_MV

px.histogram(egywth.Residum_MV)

px.line(egywth, x="Date", y=["ES_Lab", "Pred_MV"])

/Users/jploennigs/miniconda3/envs/lehre/lib/python3.11/site-packages/_plotly_utils/basevalidators.py:105: FutureWarning:

The behavior of DatetimeProperties.to_pydatetime is deprecated, in a future version this will return a Series containing python datetime objects instead of an ndarray. To retain the old behavior, call `np.array` on the result

Hier sehen wir, dass die Verteilung des Residuums eher Normalverteilt ist und die Grundform der Zeitreihe gut erfasst wird. Dennoch sind deutliche Abweichungen sichtbar.

Mean Square Error (MSE)

Um diesen Vergleich von Modellen professionell verwendet man unterschiedliche Kennwerte. Der erste Kennwert ist der Mean Square Error, auf Deutsch auch die mittlere quadratische Abweichung genannt, ist eine wichtige Kenngröße hierfür.

Der MSE berechnet im Wesentlichen den durchschnittlichen quadratischen Fehler zwischen den tatsächlichen Werten \(y_i\) und den von einem Modell vorhergesagten Werten \(\hat y_i\).

\[ \text{MSE} = \frac{1}{N} \sum_i e_i^2 \]

Ein kleinerer MSE-Wert deutet auf ein besseres Modell hin. Vergleichen wir die Werte für unsere beiden Modelle

egywth.Residum_UV.pow(2).mean()

736.8486474358979

egywth.Residum_MV.pow(2).mean()

147.90321019931775

und wir sehen, dass der MSE für das zweite Modell besser ist.

Der MSE ist in der Einheit des quadrierten Zielwertes. Daher kann die Interpretation der absoluten Größe des MSE manchmal schwierig sein. Der MSE ist empfindlich gegenüber Ausreißern in den Daten, die den Wert verfälschen können.

Root Mean Squared Error (RMSE)

Die RMSE ist die Quadratwurzel des MSE und hat somit die Einheit wie der Zielwert, was die Interpretation einfacher macht. Gleichzeitig können bestehende Interpretationen des MSE übernommen werden.

\[ \text{RMSE} = \sqrt{\text{MSE}} \]

np.sqrt(egywth.Residum_UV.pow(2).mean())

27.144956206188617

np.sqrt(egywth.Residum_MV.pow(2).mean())

12.16154637368611

Mean Absolute Error (MAE)

Der MAE misst die durchschnittliche absolute Abweichung zwischen den vorhergesagten und den tatsächlichen Werten.

\[ \text{MAE} = \frac{1}{N} \sum_i \left| e_i \right| \]

Der MAE ist weniger empfindlich gegenüber Ausreißern als der MSE. Die Einheit des MAE ist die gleiche wie die Einheit des Zielwertes, was die Interpretation einfacher macht.

egywth.Residum_UV.abs().mean()

21.892016248549638

egywth.Residum_MV.abs().mean()

9.110498926081682

Mean Absolute Percentage Error (MAPE)

Der MAPE misst den durchschnittlichen prozentualen absoluten Fehler. Er ist zu interpretieren, ohne den originalen Wertebereich zu kennen. Ein niedriger MAPE-Wert deutet auf eine gute Übereinstimmung zwischen den vorhergesagten und den tatsächlichen Werten hin.

\[ \text{MAPE} = \frac{100}{N} \sum_i \left| e_i \right| \]

egywth.Residum_UV.abs().mean()*100

2189.201624854964

egywth.Residum_MV.abs().mean()*100

911.0498926081682

Bestimmungskoeffizient \(R^2\)

Der Bestimmungskoeffizient \(R^2\) gibt den Anteil der durch das Regressionsmodell erklärten Variabilität an der gesamten Variabilität in den Daten wieder. Er liegt zwischen 0 und 1, wobei 1 die perfekte Anpassung des Modells an die Daten und 0 keine Erklärung der Variabilität durch das Modell bedeutet.

Er bestimmt sich aus der Sum of Squared Error (SSE) und der Total Sum of Squares (TTS) zu

\[ R^2 = 1 - \frac{\text{SSE}}{\text{TSS}} \]

Die Gesamtsumme der Quadrate (TSS) misst die Summe der quadrierten Abweichungen der tatsächlichen Werte (\(y_i\)) vom Mittelwert (\(\bar y\)) aller Datenpunkte. Sie repräsentiert die Gesamtvariabilität in den Daten. Er wird berechnet durch

\[ \text{TSS} = \sum_{i=1}^{N} (y_{i} - \bar{y} )^{2}. \]

Die Summe der quadratischen Abweichungen (SSE) misst die Summe der quadrierten Abweichungen zwischen den vorhergesagten Werten \(\hat y_i\) und den tatsächlichen Werten \(y_i\). Sie dient zur Beurteilung der Genauigkeit des Modells durch:

\[ \text{SSE} = \sum_{i=1}^{N} \varepsilon_i^2 = \sum_{i=1}^{N} (y_i - \hat y_i)^2. \]

Wir können das manuell berechnen

TSS = (egywth.ES_Lab - egywth.ES_Lab.mean()).pow(2).sum()
SSE = egywth.Residum_UV.pow(2).sum()
R2 = 1 - SSE/TSS
R2

0.38061649401642605

TSS = (egywth.ES_Lab - egywth.ES_Lab.mean()).pow(2).sum()
SSE = egywth.Residum_MV.pow(2).sum()
R2 = 1 - SSE/TSS
R2

0.8806156958265965

Oder direkt das von statsmodel bereitgestellte rsquared-Attribut nutzen

smflm.rsquared

0.38061649401642617

smflm_mv.rsquared

0.8715365639979806

Hier ist wichtig, dass das Modell besser ist, wenn der \(R^2\) Wert größer ist und nicht kleiner, wie bei den anderen Fehlerwerten.

Bei sklearn können wir dafür die Methode score nutzen.

sklm.score(X, Y)

0.38061649401642617

sklm_mv.score(X_MV, Y_MV)

0.8715365639979806

Erneut erhalten wir genau die gleiche Zahl wie bei der Verwendung von statsmodels oben. Beachten Sie, dass die Methode .score zwei Argumente erwartet: die Designmatrix X und das Ziel y, in dieser Reihenfolge. (Es ist die gleiche Reihenfolge wie für die Methode .fit.) Intern berechnet sie die Werte für jede Zeile von X, berechnet Fehler zwischen den Vorhersagen und y und transformiert dies in \(R^2\). Aber indem wir X und y der Methode .score übergeben, können wir \(R^2\) auf anderen Daten berechnen - auf Validierungsdaten anstelle von Trainingsdaten (siehe Abschnitt @ref(overfitting-validation) für weitere Informationen).

Aber sklearn hat keine Funktion, um eine ähnliche Zusammenfassungstabelle wie .summary in Statsmodels auszudrucken. Wir können Standardfehler, \(p\)-Werte oder statistische Signifikanz nicht so einfach sehen. sklearn ist für die Vorhersagemodellierung konzipiert, wo solche Tabellen von geringem Wert sind. In komplexen Fällen, zum Beispiel in der Bildverarbeitung, möchten wir möglicherweise Werte von Millionen von Pixeln in das Modell einbeziehen, und hier ist die individuelle Spezifikation jedes Pixels klarerweise nicht machbar. Wir bevorzugen den Ansatz der Designmatrix. Auf ähnliche Weise sind wir nicht daran interessiert, Werte von Millionen von Koeffizienten zu interpretieren. sklearn ist genau für solche Aufgaben konzipiert.