Teradata Package for Python Function Reference | 17.10 - GLM - Teradata Package for Python - Look here for syntax, methods and examples for the functions included in the Teradata Package for Python.

Teradata® Package for Python Function Reference

Product
Teradata Package for Python
Release Number
17.10
Published
April 2022
Language
English (United States)
Last Update
2022-08-19
lifecycle
previous
Product Category
Teradata Vantage

 
teradataml.analytics.mle.GLM = class GLM(builtins.object)
     Methods defined here:
__init__(self, formula=None, family='gaussian', linkfunction='CANONICAL', data=None, weights='1.0', threshold=0.01, maxit=25, step=False, intercept=True, data_sequence_column=None)
DESCRIPTION:
    The generalized linear model (GLM) is an extension of the linear 
    regression model that enables the linear equation to be related to
    the dependent variables by a link function. GLM performs linear
    regression analysis for distribution functions using a user-specified
    distribution family and link function. GLM selects the link function
    based upon the distribution family and the assumed nonlinear
    distribution of expected outcomes. The teradataml DataFrame in
    Background describes the supported link function combinations.
 
 
PARAMETERS:
    formula:
        Required Argument.
        A string consisting of "formula". Specifies the model to be fitted. Only
        basic formula of the "col1 ~ col2 + col3 +..." form is supported and
        all variables must be from the same virtual data frame object. The
        response should be column of type real, numeric, integer or boolean.
        Types: str
 
    family:
        Optional Argument.
        Specifies the distribution exponential family
        Default Value: "gaussian"
        Permitted Values: LOGISTIC, BINOMIAL, POISSON, GAUSSIAN, GAMMA,
        INVERSE_GAUSSIAN, NEGATIVE_BINOMIAL
        Types: str
 
    linkfunction:
        Optional Argument.
        The canonical link functions (default link functions) and the link
        functions that are allowed.
        Default Value: "CANONICAL"
        Permitted Values: CANONICAL, IDENTITY, INVERSE, LOG,
        COMPLEMENTARY_LOG_LOG, SQUARE_ROOT, INVERSE_MU_SQUARED, LOGIT,
        PROBIT, CAUCHIT
        Types: str
 
    data:
        Required Argument.
        Specifies the name of the teradataml DataFrame that contains the
        columns.
 
    weights:
        Optional Argument.
        Specifies the name of an input teradataml DataFrame column that
        contains the weights to assign to responses. The default value is
        1.You can use non-NULL weights to indicate that different
        observations have different dispersions (with the weights being
        inversely proportional to the dispersions).Equivalently, when the
        weights are positive integers wi, each response yi is the mean of wi
        unit-weight observations. A binomial GLM uses prior weights to give
        the number of trials when the response is the proportion of
        successes. A Poisson GLM rarely uses weights. If the weight is less
        than the response value, then the function throws an exception.
        Therefore, if the response value is greater than 1 (the default
        weight), then you must specify a weight that is greater than or equal
        to the response value.
        Default Value: "1.0"
        Types: str
 
    threshold:
        Optional Argument.
        Specifies the convergence threshold.
        Default Value: 0.01
        Types: float
 
    maxit:
        Optional Argument.
        Specifies the maximum number of iterations that the algorithm runs
        before quitting if the convergence threshold has not been met.
        Default Value: 25
        Types: int
 
    step:
        Optional Argument.
        Specifies whether the function uses a step. If the function uses a
        step, then it runs with the GLM model that has the lowest Akaike
        information criterion (AIC) score, drops one predictor from the
        current predictor group, and repeats this process until no predictor
        remains.
        Default Value: False
        Types: bool
 
    intercept:
        Optional Argument.
        Specifies whether the function uses an intercept. For example, in
        ß0+ß1*X1+ß2*X2+ ....+ßpXp, the intercept is ß0.
        Default Value: True
        Types: bool
 
    data_sequence_column:
        Optional Argument.
        Specifies the list of column(s) that uniquely identifies each row of
        the input argument "data". The argument is used to ensure
        deterministic results for functions which produce results that vary
        from run to run.
        Types: str OR list of Strings (str)
 
RETURNS:
    Instance of GLM.
    Output teradataml DataFrames can be accessed using attribute
    references, such as GLMObj.<attribute_name>.
    Output teradataml DataFrame attribute name is:
        1. coefficients
        2. output
 
 
RAISES:
    TeradataMlException
 
 
EXAMPLES:
    # Load the data to run the example.
    load_example_data("GLM", ["admissions_train", "housing_train"])
 
    # Create teradataml DataFrame objects.
    admissions_train = DataFrame.from_table("admissions_train")
    housing_train = DataFrame.from_table("housing_train")
 
    # Example 1 -
    glm_out1 = GLM(formula = "admitted ~ stats + masters + gpa + programming",
                   family = "LOGISTIC",
                   linkfunction = "LOGIT",
                   data = admissions_train,
                   weights = "1",
                   threshold = 0.01,
                   maxit = 25,
                   step = False,
                   intercept = True
                   )
 
    # Print the output dataframes
    # STDOUT DataFrame
    print(glm_out1.output)
 
    # GLM Model, coefficients DataFrame
    print(glm_out1.coefficients)
 
    # Example 2 -
    glm_out2 = GLM(formula = "admitted ~ stats + masters + gpa + programming",
                   family = "LOGISTIC",
                   linkfunction = "LOGIT",
                   data = admissions_train,
                   weights = "1",
                   threshold = 0.01,
                   maxit = 25,
                   step = True,
                   intercept = True
                   )
 
    # Print all output dataframes
    print(glm_out2.output)
 
    # Example 3 -
    glm_out3 = GLM(formula = "price ~ recroom + lotsize + stories + garagepl + gashw + bedrooms + driveway + airco + homestyle + bathrms + fullbase + prefarea",
                   family = "GAUSSIAN",
                   linkfunction = "IDENTITY",
                   data = housing_train,
                   weights = "1",
                   threshold = 0.01,
                   maxit = 25,
                   step = False,
                   intercept = True
                   )
 
    # Print all output dataframes
    print(glm_out3.output)
    print(glm_out1.coefficients)
__repr__(self)
Returns the string representation for a GLM class instance.
get_build_time(self)
Function to return the build time of the algorithm in seconds.
When model object is created using retrieve_model(), then the value returned is 
as saved in the Model Catalog.
get_prediction_type(self)
Function to return the Prediction type of the algorithm.
When model object is created using retrieve_model(), then the value returned is 
as saved in the Model Catalog.
get_target_column(self)
Function to return the Target Column of the algorithm.
When model object is created using retrieve_model(), then the value returned is 
as saved in the Model Catalog.
show_query(self)
Function to return the underlying SQL query.
When model object is created using retrieve_model(), then None is returned.