Hướng dẫn logistic regression residual plot python - hồi quy logistic phần còn lại của python
Biểu đồ dư là một biểu đồ trong đó phần dư được hiển thị trên trục Y và biến độc lập được hiển thị trên trục x. Mô hình hồi quy tuyến tính phù hợp với dữ liệu nếu các dấu chấm trong biểu đồ dư được phân phối ngẫu nhiên trên trục ngang. Hãy cùng xem cách tạo ra một cốt truyện còn lại trong Python. Show Phương pháp 1: Sử dụng Plot_regry_exog ()plot_regress_exog():
Hồi quy tuyến tính đơnSau khi nhập các gói cần thiết và đọc tệp CSV, chúng tôi sử dụng ols () từ StatSmodels.formula.API để phù hợp với dữ liệu vào hồi quy tuyến tính. Chúng tôi tạo ra một hình và vượt qua hình đó, tên của biến độc lập và mô hình hồi quy sang phương thức Plot_regrator_Exog (). Một con số 2x2 của các ô dư được hiển thị. Trong phương thức ols (), chuỗi trước đó ‘~ là biến phụ thuộc hoặc biến mà chúng tôi đang cố gắng dự đoán và sau‘ ~, các biến độc lập. Đối với hồi quy tuyến tính, có một biến phụ thuộc và một biến độc lập.
CSV đã sử dụng: Headbrain3 headbrain3 Python3
Output: Chúng ta có thể thấy rằng các điểm được vẽ ngẫu nhiên hoặc phân tán. Điểm hoặc phần dư nằm rải rác xung quanh dòng ‘0, không có mẫu và các điểm không dựa trên một bên nên không có vấn đề gì về tính không đồng nhất. & nbsp; với biến dự đoán ‘head_size, ở đó, không có sự không đồng nhất. & nbsp; Hồi quy tuyến tính nhiều:Trong nhiều hồi quy tuyến tính, chúng ta có nhiều hơn các biến độc lập hoặc biến dự đoán và một biến phụ thuộc. Mã tương tự như hồi quy tuyến tính ngoại trừ việc chúng ta phải thực hiện thay đổi này trong phương thức ols ().
‘+, Được sử dụng để thêm có bao nhiêu dự đoán_varia mà chúng tôi muốn trong khi tạo mô hình. & NBSP; CSV đã sử dụng: HomePrices homeprices Ví dụ 1: Python3
Output: Chúng ta có thể thấy rằng các điểm được vẽ ngẫu nhiên hoặc phân tán. Điểm hoặc phần dư nằm rải rác xung quanh dòng ‘0, không có mẫu và các điểm không dựa trên một bên nên không có vấn đề gì về tính không đồng nhất. & nbsp; với biến dự đoán ‘head_size, ở đó, không có sự không đồng nhất. & nbsp; Hồi quy tuyến tính nhiều: Python3
Output: Chúng ta có thể thấy rằng các điểm được vẽ ngẫu nhiên hoặc phân tán. Điểm hoặc phần dư nằm rải rác xung quanh dòng ‘0, không có mẫu và các điểm không dựa trên một bên nên không có vấn đề gì về tính không đồng nhất. & nbsp; với biến dự đoán ‘head_size, ở đó, không có sự không đồng nhất. & nbsp; Hồi quy tuyến tính nhiều:Trong nhiều hồi quy tuyến tính, chúng ta có nhiều hơn các biến độc lập hoặc biến dự đoán và một biến phụ thuộc. Mã tương tự như hồi quy tuyến tính ngoại trừ việc chúng ta phải thực hiện thay đổi này trong phương thức ols ().This function will regress y on x and then plot the residuals as a scatterplot. You can fit a lowess smoother to the residual plot as an option, which can aid in detecting whether the residuals have structure.
Dưới đây là một ví dụ về biểu đồ dư đơn giản trong đó x (biến độc lập) là Head_Size từ bộ dữ liệu và y (biến phụ thuộc) là cột Brain_weight của bộ dữ liệu. Python3
Đầu ra: & nbsp; Chúng ta có thể thấy rằng các điểm được vẽ trong một sự lây lan ngẫu nhiên, không có mô hình và điểm nào không dựa trên một bên nên không có vấn đề gì về tính không đồng nhất.& nbsp; |