Seaborn - 线性关系

大多数情况下，我们使用包含多个定量变量的数据集，分析的目标通常是将这些变量相互关联.这可以通过回归线来完成.

在构建回归模型时，我们经常检查多重共线性，我们必须看到所有组合之间的相关性连续变量，并将采取必要的行动，以消除多重共线性(如果存在).在这种情况下，以下技术会有所帮助.

绘制线性回归模型的函数

Seaborn中有两个主要功能可视化确定的线性关系通过回归.这些函数是 regplot()和 lmplot().

regplot vs lmplot

现在让我们绘制这些图.

示例

绘制regplot，然后在此示例中使用相同的数据进行lmplot

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

输出

您可以看到两个图之间的大小差异.

当其中一个变量采用离散值时，我们也可以拟合线性回归

示例

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

输出

适合不同种类的模型

上面使用的简单线性回归模型很容易拟合，但在大多数情况下，数据是非线性的，上述方法不能推广回归线.

让我们使用Anscombe的数据集和回归图 :

示例

import pandas as pdimport seaborn as sbfrom matplotlib import pyplot as pltdf = 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，方差较小.

让我们看看另一个例子数据偏差很大，显示最佳拟合线不好.

示例

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

输出

该图显示数据点与回归的高偏差线.这种非线性，更高阶可以使用 lmplot()和 regplot()来显示.这些可以拟合多项式回归模型来探索简单的非线性趋势. dataset :

示例

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

输出