回帰モデルのプロット

Pythonで学ぶ一般化線形モデル

Ita Cirovic Donev

Data Science Consultant

ライブラリのインポート

import seaborn as sns
import matplotlib.pyplot as plt

カニのモデル 'sat ~ width' は model に保存済み

データ点を描画

# Adjust figure size
plt.subplots(figsize = (8, 5))

# Plot data points
sns.regplot('width', 'sat', 
            data = crab,
            fit_reg = False)

カニデータの幅と衛星数の散布図。

ジッターを追加

sns.regplot('width', 'sat', 
            data = crab,
            fit_reg = False,
            y_jitter = 0.3)

ジッターを加えたカニデータの幅と衛星数の散布図。

線形当てはめを追加

sns.regplot('width', 'sat', 
            data = crab,
            y_jitter = 0.3,
            fit_reg = True,
            line_kws = {'color':'green', 
                        'label':'LM fit'})

信頼区間付きの線形当てはめと、カニデータの幅と衛星数の散布図。

ポアソンGLMの推定値を追加

crab['fit_values'] = model.fittedvalues

sns.scatterplot('width','fit_values', 
                data = crab,
                color = 'red', 
                label = 'Poisson')

カニデータの幅と衛星数の散布図に線形・ポアソン当てはめを重ねた図。

予測

幅と衛星数の散布図に重ねたポアソンモデルの当てはめ。

予測

new_data = pd.DataFrame({'width':[24, 28, 32]})
model.predict(new_data)

0    1.881981

適合したポアソン回帰モデルで幅24cmの予測値を読み取る図。

予測

new_data = pd.DataFrame({'width':[24, 28, 32]})
model.predict(new_data)

0    1.881981
1    3.627360

適合したポアソン回帰モデルで幅28cmの予測値を読み取る図。

予測

new_data = pd.DataFrame({'width':[24, 28, 32]})
model.predict(new_data)

0    1.881981
1    3.627360
2    6.991433

適合したポアソン回帰モデルで幅32cmの予測値を読み取る図。

Passons à la pratique !

Pythonで学ぶ一般化線形モデル