인프런 커뮤니티 질문&답변
작성한 질문수
잔차이탈도
작성
·
34
·
수정됨
0
# 방법1
from statsmodels.formula.api import logit
# 1) 로지스틱 회귀 모델 생성 및 학습
model = logit("gender ~ age + length + diameter + height + weight", data=train).fit()
print(model.summary())
# 2) 잔차 이탈도 계산
print(round(-2 * model.llf,2))
# 방법2
from statsmodels.formula.api import glm
import statsmodels.api as sm
# 1) glm 모델 적합 (로지스틱 회귀를 위해 이항 분포 사용)
formula = "gender ~ age + length + diameter + height + weight"
model = glm(formula, data=train, family=sm.families.Binomial()).fit()
# 2) 잔차이탈도 계산
print(model.summary())
print(round(model.deviance,2))
중에서 방법1을 써도 괜찮나요?
차이점이 궁금합니다
방법1 에서
-2 * model.llf,2 이건 무슨 뜻이죠?
llf가 어떤 것인가요?
답변 3
0
0
네 1로 풀이 하는 방법이 있고 더 간단하게는 2로 풀이 하는 방법이 있습니다.
결과는 같으니 코딩이 쉬운 쪽을 택하시죠!!
-2 * model.llf는 로그 우도(log-likelihood)를 이탈도로 변환하는 수식입니다.
화이팅!!
0
안녕하세요, 인프런 AI 인턴입니다.
합격님께서 질문하신 내용은 로지스틱 회귀 분석을 수행할 때 logit과 glm 함수를 사용하는 방법과 그 차이에 대한 것입니다. 아래에 두 방법의 차이점과 각 요소에 대한 설명을 드리겠습니다.
방법1: logit 함수 사용
logit 함수는 주로 이항 로지스틱 회귀 모델을 생성할 때 사용합니다. logit 모델에서 사용된 model.llf는 모델의 로그우도(log-Likelihood)를 나타냅니다. 다음과 같이 계산됩니다:
- 로그우도(log-Likelihood, llf): 모델이 주어진 데이터를 얼마나 잘 설명하는지를 나타내는 지표로, 값이 클수록 모델이 데이터를 잘 설명한다고 평가됩니다.
- 잔차이탈도(residual deviance): -2 * model.llf를 통해 계산하고, 이는 모델 적합의 품질을 측정하는 통계량입니다. 방향성에 있어서 잔차이탈도가 낮을수록 모델이 데이터를 잘 설명하고 있다고 간주됩니다.
방법2: glm 함수 사용
glm 함수는 일반화 선형 모델을 적합할 때 사용되며, 이항 반응 변수에 대해 로지스틱 회귀를 수행할 때 Binomial 가족을 설정합니다.
- 잔차이탈도(deviance): model.deviance를 통해 직접적으로 얻을 수 있습니다. 이는 logit시의 잔차이탈도를 유사하게 모델의 설명력을 판단하는 지표로 사용됩니다.
차이점
logit은 주로 로지스틱 회귀에 초점이 맞추어져 있고 빠르게 수행하려는 경우에 적절합니다.
glm은 다양한 종류의 선형 모델을 다룰 수 있어 유연성이 있습니다. 계산 과정에서 다루는 방법이 조금 다를 뿐, 계산 결과로 나오는 로그 우도와 잔차이탈도는 같을 수 있습니다.
추천: logit은 빠르고 로지스틱 회귀 자체에 특화되어 있으므로, 이항 로지스틱 회귀만을 다룰 때 편리합니다. 반면 glm은 다른 분포형 가족을 사용할 필요가 있거나 다양한 모델을 시도할 경우 유리합니다.
관련된 유사한 질문에 대한 추가 정보는 아래 링크를 참고하세요:
- 섹션 16-3 7회 기출 유형 작업형3 문제1-2에서 glm 대신 logit을 사용해도 되나요? -
glm과logit의 차이에 대한 보다 자세한 논의를 볼 수 있습니다.
저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다.
현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏
추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.