Olá.
No curso, o professor usou o Statsmodels para gera um modelo, mas depois ele gerou novo modelo usando o Scikit-learn, aplicando esse último para realizar previsões.
Quando (e como) devemos usar o Statsmodels? Para que ele foi útil se no fim usamos o modelo gerado pelo Scikit-learn?
Olá, Vivian, tudo bem?
O Statsmodels é mais voltado para a análise estatística e fornece detalhes estatísticos completos sobre o modelo. Usamos para entender as relações entre as variáveis, como a significância dos coeficientes, testes de hipóteses, etc. Por exemplo, se você estiver fazendo uma análise de regressão linear e quiser saber o valor-p, o Statsmodels é mais recomendado.
Já o Scikit-learn é uma biblioteca de aprendizado de máquina utilizada para prever novos valores. Ele é projetado para modelagem preditiva e não fornece tantos detalhes estatísticos quanto o Statsmodels.
Portanto, o instrutor usou o Statsmodels primeiro para explicar os detalhes estatísticos do modelo e em seguida, usou o Scikit-learn para fazer previsões.
Espero ter esclarecido.
Qualquer dúvida, compartilhe no fórum.
Olá, Monalisa. Eu ainda estou com uma dúvida.
Até onde eu entendi, ao gerar um modelo de regressão linear pelo Statsmodels esse será diferente do modelo gerado pelo Scikit-learn.
Se o Statsmodels fornece informações estatísticas sobre o Modelo1 e o Scikit-learn permite utilizar o Modelo2 para previsões. Como que eu faço para usar o Modelo1 para fazer predições e como eu obtenho as estatísticas do Modelo2?
Oi Vivian, tudo bem?
Desde já peço desculpas pela demora em obter um retorno.
Para usar o Modelo1 do Statsmodels, você pode aplicar os coeficientes estimados pelo modelo aos novos dados manualmente. Com isso, você utiliza a equação do modelo para calcular as previsões com base nos valores das variáveis independentes. Por exemplo, se você tem uma equação de regressão linear, pode multiplicar os coeficientes pelos valores das variáveis e somá-los para obter a previsão.
Para obter estatísticas do Modelo2 do Scikit-learn, você pode calcular essas métricas comparando as previsões feitas pelo modelo com os valores reais dos dados de teste ou validação. Essas métricas ajudam a avaliar o quão bem o modelo está prevendo os valores reais e fornecem insights sobre sua capacidade de generalização para novos dados.
Espero ter ajudado.
Abraços e bons estudos!