繪製迴歸模型

Generalized Linear Models in Python

Ita Cirovic Donev

Data Science Consultant

匯入函式庫

import seaborn as sns
import matplotlib.pyplot as plt

螃蟹模型 'sat ~ width' 已存為 model

繪製資料點

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

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

螃蟹資料集中 width 與衛星數的散佈圖。

加入抖動（jitter）

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

在螃蟹資料集中對 width 與衛星數的散佈圖加入抖動。

加入線性擬合

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

螃蟹資料集中 width 與衛星數的散佈圖，含線性擬合與信賴區間。

加入 Poisson GLM 預估值

crab['fit_values'] = model.fittedvalues

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

螃蟹資料集中 width 與衛星數的散佈圖，含線性與 Poisson 擬合。

預測值

Poisson 模型擬合覆蓋在 width 與衛星數的散佈圖上

預測值

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

0    1.881981

在擬合的 Poisson 迴歸模型下，讀取 width 為 24cm 的預測值。

預測值

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

0    1.881981
1    3.627360

在擬合的 Poisson 迴歸模型下，讀取 width 為 28cm 的預測值。

預測值

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

0    1.881981
1    3.627360
2    6.991433

在擬合的 Poisson 迴歸模型下，讀取 width 為 32cm 的預測值。

一起來練習吧！

Generalized Linear Models in Python