adapted notebooks 3.5

e8b07157 · Mirko Birbaumer · 36330cd4 · e8b07157
Commit e8b07157 authored 5 months ago by Mirko Birbaumer
--- a/notebooks/Linear Regression/LR_6_2.ipynb
+++ b/notebooks/Linear Regression/LR_6_2.ipynb
@@ -335,14 +335,6 @@
   "source": [
    " Es gibt keine spezielle Syntax in `Bambi`, um kategorische Variablen zu definieren. `Bambi` erkennt diese automatisch."
   ]
-  },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "id": "137ad98a-a638-475e-bded-eb33e7356503",
-   "metadata": {},
-   "outputs": [],
-   "source": []
  }
 ],
 "metadata": {

 %% Cell type:markdown id:81fdcf78-334f-476c-80aa-d953dd0c852a tags:
 # Beispiel 6.2
 Der Datensatz `Credit` wurde in den USA erhoben.  Er führt für eine grössere Anzahl Individuen die Zielvariable `balance` (monatliche Kreditkartenrechnung) wie auch mehrere quantitative erklärende Variablen auf: `age` (Alter), `cards` (Anzahl Kreditkarten), `education` (Anzahl Jahre Ausbildung), `income` (Einkommen in Tausenden Dollars), `limit` (Kreditkartenlimite) und `rating` (Kreditwürdigkeit).
 %% Cell type:code id:0b984ab2-563c-4e62-a08f-7b46170a583c tags:
 ``` python
 import pandas as pd
 import arviz as az
 df = pd.read_csv("./Daten/Credit.csv").drop("Unnamed: 0", axis=1)
 df.head()
 ```
 %% Output
        Income  Limit  Rating  Cards  Age  Education  Gender Student Married  \
    0   14.891   3606     283      2   34         11    Male      No     Yes
    1  106.025   6645     483      3   82         15  Female     Yes     Yes
    2  104.593   7075     514      4   71         11    Male      No      No
    3  148.924   9504     681      3   36         11  Female      No      No
    4   55.882   4897     357      2   68         16    Male      No     Yes
       Ethnicity  Balance
    0  Caucasian      333
    1      Asian      903
    2      Asian      580
    3      Asian      964
    4  Caucasian      331
 %% Cell type:code id:a70773ad-dc41-48a7-b18b-828c2d801be7 tags:
 ``` python
 df.columns
 ```
 %% Output
    Index(['Income', 'Limit', 'Rating', 'Cards', 'Age', 'Education', 'Gender',
           'Student', 'Married', 'Ethnicity', 'Balance'],
          dtype='object')
 %% Cell type:code id:f604343b-4bcf-484b-9156-270e05c1fe7c tags:
 ``` python
 import bambi as bmb
 model_g = bmb.Model("Balance ~ Gender", df)
 idata_g = model_g.fit(random_seed=123)
 az.summary(idata_g)
 ```
 %% Output
    Auto-assigning NUTS sampler...
    Initializing NUTS using jitter+adapt_diag...
    Multiprocess sampling (4 chains in 4 jobs)
    NUTS: [sigma, Intercept, Gender]
    Sampling 4 chains for 1_000 tune and 1_000 draw iterations (4_000 + 4_000 draws total) took 7 seconds.
                       mean      sd   hdi_3%  hdi_97%  mcse_mean  mcse_sd  \
    Gender[Female]   20.608  45.075  -60.900  108.348      0.557    0.640
    Intercept       509.429  33.143  442.139  568.286      0.405    0.288
    sigma           461.390  16.270  430.935  490.453      0.206    0.146
                    ess_bulk  ess_tail  r_hat
    Gender[Female]    6585.0    3183.0    1.0
    Intercept         6723.0    2600.0    1.0
    sigma             6341.0    3246.0    1.0
 %% Cell type:markdown id:5a0d7455-0d35-446f-ae95-230cde8a24e1 tags:
 Es gibt keine spezielle Syntax in `Bambi`, um kategorische Variablen zu definieren. `Bambi` erkennt diese automatisch.
-%% Cell type:code id:137ad98a-a638-475e-bded-eb33e7356503 tags:
-``` python
-```