Интерпретация выхода модели пуассоновской регрессии - PullRequest
Новая
       92

Интерпретация выхода модели пуассоновской регрессии

0 голосов
/ 23 сентября 2018

Я сделал модель пуассоновской регрессии для подсчета количества претензий, выдвинутых держателем полиса за его / ее период полиса.Прогнозируемые значения являются значениями с плавающей запятой, которые не могут быть интерпретированы как не имеющие дробного числа утверждений.Ниже приводится сравнение фактических значений с прогнозируемыми значениями.Есть ли какое-либо преобразование, которое можно использовать для предсказанных значений, чтобы получить целое число, что-то похожее на преобразование вероятностных выходов в модели логистической регрессии. 

[![Model Summary][1]][1]

[![Actual v/s Predicted values][1]][1]


model = smf.glm("Number_Of_Claims ~ Number_Of_Users+Number_Of_Vehicles+Total_Miles+Category_Adults+Category_Senior+Category_MedExp+Territory_1+Territory_2+Territory_3+Territory_4+Territory_5+PIP_Exposure+Liability_Exposure", groups=None, 
        data=train,
            offset = train.Exposure_Term,
            family=Poisson())

pred_count = count_fit.predict(test, offset = test.Exposure_Term)
...