Seaborn - 线性回归

在大多数情况下，无涯教程使用包含多个定量变量的数据集，而分析的目的通常是将这些变量彼此关联，这可以通过回归线来完成。

在创建回归模型时，经常检查多重共线性，在那里必须看到连续变量的所有组合之间的相关性，并将采取必要的措施消除多重共线性(如果存在)。在这种情况下，以下技术会有所帮助。

无涯教程网

线性回归函数

Seaborn中有两个主要函数来可视化通过回归确定的线性关系。这些函数是 regplot()和 lmplot()。

链接：https://www.learnfk.comhttps://www.learnfk.com/seaborn/seaborn-linear-relationships.html

来源：LearnFk无涯教程网

在此示例中，先用相同的数据绘制regplot，然后绘制lmplot

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df=sb.load_dataset('tips')
sb.regplot(x="total_bill", y="tip", data=df)
sb.lmplot(x="total_bill", y="tip", data=df)
plt.show()

您可以看到两个图之间的大小差异。

当变量之一取离散值时，也可以拟合线性回归

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df=sb.load_dataset('tips')
sb.lmplot(x="size", y="tip", data=df)
plt.show()

拟合不同类型

上面使用的简单线性回归模型非常容易拟合，但是在大多数情况下，数据是非线性的，并且上述方法无法概括回归线。

让无涯教程将Anscombe的数据集与回归图一起使用-

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df=sb.load_dataset('anscombe')
sb.lmplot(x="x", y="y", data=df.query("dataset == 'I'"))
plt.show()

在这种情况下，数据非常适合线性回归模型，且方差较小。

让看另一个示例，其中数据存在较大偏差，这表明最佳拟合线不好。

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df=sb.load_dataset('anscombe')
sb.lmplot(x="x", y="y", data=df.query("dataset == 'II'"))
plt.show()

该图显示了数据点与回归线的高偏差，可以使用 lmplot()和 regplot()可视化这种非线性的高阶，可以拟合多项式回归模型，以探索非线性的简单趋势。

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df=sb.load_dataset('anscombe')
sb.lmplot(x="x", y="y", data=df.query("dataset == 'II'"),order=2)
plt.show()