多重共线性检验之方差膨胀因子VIF[通俗易懂] |
您所在的位置：网站首页 › vif结果怎么看 › 多重共线性检验之方差膨胀因子VIF[通俗易懂] |
多重共线性检验之方差膨胀因子VIF[通俗易懂]
|
大家好，又见面了，我是你们的朋友全栈君。 过程1、构造每一个自变量与其余自变量的线性回归模型，例如，数 据集中含有p个自变量，则第一个自变量与其余自变量的线性组合可以 表示为  在这里插入图片描述2、根据如上线性回归模型得到相应的判决系数 R 2 R^2 R2，进而计算第 一个自变量的方差膨胀因子VIF：  在这里插入图片描述import pandas as pd
import numpy as np
from sklearn import model_selection
import statsmodels.api as sn
from statsmodels.stats.outliers_influence import variance_inflation_factor
sdata = pd.read_csv("../input/traindatas/char7/Predict to Profit.csv")
print(sdata.columns)
X = sn.add_constant(sdata.loc[:,['RD_Spend', 'Marketing_Spend']])
vif = pd.DataFrame()
vif["Ficture"] = X.columns
vif["Fctor"] = [variance_inflation_factor(X.values,i) for i in range(X.shape[1])]
print(vif)执行结果如下，如上结果所示，两个自变量对应的方差膨胀因子均低于10，说明构 建模型的数据并不存在多重共线性。如果发现变量之间存在多重共线性 的话，可以考虑删除变量或者重新选择模型 Index(['RD_Spend', 'Administration', 'Marketing_Spend', 'State', 'Profit'], dtype='object') Ficture Fctor 0 const 4.540984 1 RD_Spend 2.026141 2 Marketing_Spend 2.026141过程计算import pandas as pd import numpy as np from sklearn import model_selection import statsmodels.api as sn from statsmodels.stats.outliers_influence import variance_inflation_factor sdata = pd.read_csv("../input/traindatas/char7/Predict to Profit.csv") model = sn.formula.ols("RD_Spend~Marketing_Spend",data=sdata).fit() print(1/(1-model.rsquared))执行结果 2.026140603233619上面我仅仅计算了以RD_Spend为因变量计算的VIF值，和上面的一样，为2.026140603233619 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/134385.html原文链接：https://javaforall.cn |
【本文地址】
今日新闻 |
推荐新闻 |