Model uyumunu görselleştirme

Python ile statsmodels kullanarak Regresyona Giriş

Maarten Van den Broeck

Content Developer at DataCamp

İyi uyumun artık özellikleri

Artıklar normal dağılır
Artıkların ortalaması sıfırdır

Sazan ve levrek yine

Sazan: “iyi” model

mdl_bream = ols("mass_g ~ length_cm", data=bream).fit()

Daha önce gösterilen, eğilim çizgili sazan kütleleri ve uzunlukları saçılım grafiği.

Levrek: “kötü” model

mdl_perch = ols("mass_g ~ length_cm", data=perch).fit()

Daha önce gösterilen, eğilim çizgili levrek kütleleri ve uzunlukları saçılım grafiği.

Artıklar vs. uyarlanmış

Sazan

Sazan modeli için artıklar ile uyarlanmış değerler arasındaki saçılım grafiği; LOWESS eğrisi vardır. Eğri x eksenine yakın kalır.

Levrek

Levrek modeli için artıklar ile uyarlanmış değerler arasındaki saçılım grafiği; LOWESS eğrisi vardır. Eğri V şekli oluşturur.

Q-Q grafiği

Sazan

Sazan modeli için standartlaştırılmış artıklar ile teorik kantillerin Q-Q grafiği. Noktalar, iki aykırı değer dışında eşitlik doğrusunu yakından izler.

Levrek

Levrek modeli için standartlaştırılmış artıklar ile teorik kantillerin Q-Q grafiği. Özellikle grafiğin sağında, noktalar eşitlik doğrusunu yakından izlemez.

Ölçek-konum grafiği

Sazan

Sazan modeli için karekök standartlaştırılmış artıklar ile uyarlanmış değerler arasındaki saçılım grafiği; LOWESS eğrisi vardır. Eğri, uyarlanmış değerler arttıkça hafifçe yükselir.

Levrek

Levrek modeli için karekök standartlaştırılmış artıklar ile uyarlanmış değerler arasındaki saçılım grafiği; LOWESS eğrisi vardır. Eğri, uyarlanmış değerler arttıkça birkaç kez yukarı aşağı dalgalanır.

residplot()

sns.residplot(x="length_cm", y="mass_g", data=bream, lowess=True)
plt.xlabel("Fitted values")
plt.ylabel("Residuals")

Sazan modeli için artıklar ile uyarlanmış değerler arasındaki saçılım grafiği; LOWESS eğrisi vardır. Eğri x eksenine yakın kalır.

qqplot()

from statsmodels.api import qqplot
qqplot(data=mdl_bream.resid, fit=True, line="45")

Sazan QQ grafiği, daha önce görüldüğü gibi

Ölçek-konum grafiği

model_norm_residuals_bream = mdl_bream.get_influence().resid_studentized_internal

model_norm_residuals_abs_sqrt_bream = np.sqrt(np.abs(model_norm_residuals_bream))

sns.regplot(x=mdl_bream.fittedvalues, y=model_norm_residuals_abs_sqrt_bream, ci=None, lowess=True)

plt.xlabel("Fitted values")
plt.ylabel("Sqrt of abs val of stdized residuals")

Sazan ölçek-konum grafiği, daha önce görüldüğü gibi

Ayo berlatih!

Python ile statsmodels kullanarak Regresyona Giriş