Побудова графіка регресійної моделі

Узагальнені лінійні моделі в Python

Ita Cirovic Donev

Data Science Consultant

Імпорт бібліотек

import seaborn as sns
import matplotlib.pyplot as plt

Модель крабів 'sat ~ width' збережено як model

Побудуйте точки даних

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

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

Точкова діаграма: width і кількість супутників із набору crab.

Додайте джитер

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

Точкова діаграма з джитером: width і кількість супутників із набору crab.

Додайте лінійну апроксимацію

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

Лінійне наближення з довірчими інтервалами та точкова діаграма width і кількості супутників із набору crab.

Додайте оцінені значення GLM Пуассона

crab['fit_values'] = model.fittedvalues

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

Лінійне та Пуассонівське наближення і точкова діаграма width та кількості супутників із набору crab.

Прогнози

Накладене на точкову діаграму наближення моделлю Пуассона для width і кількості супутників

Прогнози

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

0    1.881981

Зчитування передбаченого значення для width = 24 см за підганою Пуассонівською регресією.

Прогнози

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

0    1.881981
1    3.627360

Зчитування передбаченого значення для width = 28 см за підганою Пуассонівською регресією.

Прогнози

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

0    1.881981
1    3.627360
2    6.991433

Зчитування передбаченого значення для width = 32 см за підганою Пуассонівською регресією.

Давайте потренуємось!

Узагальнені лінійні моделі в Python