我尝试适用多元线性回归模型
Y = c + a1.X1 + a2.X2 + a3.X3 + a4.X4 +a5X5 +a6X6
如果我的模型只有3个变量,我会使用3D图来绘制。 如何绘制这个模型呢?我想要看到最佳拟合线的样子,或者我应该绘制多个散点图并查看单个变量的效果,例如当所有其他变量为零时,Y = a1X1,然后查看最佳拟合线。 对于这些模型,什么是最佳方法?我知道不可能可视化更高的维度,想知道应该采用什么方法。我渴望看到最佳拟合线。
我尝试适用多元线性回归模型
Y = c + a1.X1 + a2.X2 + a3.X3 + a4.X4 +a5X5 +a6X6
如果我的模型只有3个变量,我会使用3D图来绘制。 如何绘制这个模型呢?我想要看到最佳拟合线的样子,或者我应该绘制多个散点图并查看单个变量的效果,例如当所有其他变量为零时,Y = a1X1,然后查看最佳拟合线。 对于这些模型,什么是最佳方法?我知道不可能可视化更高的维度,想知道应该采用什么方法。我渴望看到最佳拟合线。
from sklearn.linear_model import LinearRegression
train_copy = train[['OverallQual', 'AllSF','GrLivArea','GarageCars']]
train_copy =pd.get_dummies(train_copy)
train_copy=train_copy.fillna(0)
linear_regr_test = LinearRegression()
fig, axes = plt.subplots(1,len(train_copy.columns.values),sharey=True,constrained_layout=True,figsize=(30,15))
for i,e in enumerate(train_copy.columns):
linear_regr_test.fit(train_copy[e].values[:,np.newaxis], y.values)
axes[i].set_title("Best fit line")
axes[i].set_xlabel(str(e))
axes[i].set_ylabel('SalePrice')
axes[i].scatter(train_copy[e].values[:,np.newaxis], y,color='g')
axes[i].plot(train_copy[e].values[:,np.newaxis],
linear_regr_test.predict(train_copy[e].values[:,np.newaxis]),color='k')
regplot
函数,将预测的数据和实际数据进行比较。这不同于绘制最佳拟合线,但它可以显示模型的表现如何。
sns.regplot(x=y_test, y=y_predict, ci=None, color="b")
Y
中,而预测值存储在Y_
中,我们可以绘制并比较两者。import seaborn as sns
ax1 = sns.distplot(Y, hist=False, color="r", label="Actual Value")
sns.distplot(Y_, hist=False, color="b", label="Fitted Values" , ax=ax1)