Graphiques de régression
Visualisation de données intermédiaire avec Seaborn
Chris Moffitt
Instructor
Tracer avec regplot()
sns.regplot(data=df, x='temp',
y='total_rentals', marker='+')
Évaluer la régression avec residplot()
- Un graphique des résidus aide à évaluer l'ajustement du modèle
- Pris en charge par Seaborn via la fonction
residplot
sns.residplot(data=df, x='temp', y='total_rentals')
Régression polynomiale
- Seaborn gère la régression polynomiale via le paramètre
order
sns.regplot(data=df, x='temp',
y='total_rentals', order=2)
residplot avec régression polynomiale
sns.residplot(data=df, x='temp',
y='total_rentals', order=2)
Valeurs catégorielles
sns.regplot(data=df, x='mnth', y='total_rentals',
x_jitter=.1, order=2)
Estimateurs
- Dans certains cas, un
x_estimatoraide à mettre en évidence les tendances
sns.regplot(data=df, x='mnth', y='total_rentals',
x_estimator=np.mean, order=2)
Discrétiser les données
x_binspermet de regrouper les données en classes discrètes- La droite de régression est toujours ajustée sur toutes les données
sns.regplot(data=df,x='temp',y='total_rentals',
x_bins=4)
