如何使用 matplotlib 绘制多元线性回归模型

Question

我尝试拟合多元线性回归模型

Y= c + a1.X1 + a2.X2 + a3.X3 + a4.X4 +a5X5 +a6X6

如果我的模型只有 3 个变量，我会使用 3D 图来绘制。 我怎么能绘制这个。 我基本上想看看最佳拟合线的样子，或者我应该绘制多个散点图并查看单个变量 Y = a1X1 当所有其他变量为零时的效果并查看最佳拟合线。 这些模型的最佳方法是什么。 我知道不可能可视化更高的维度想知道什么应该是最好的方法。 我迫不及待地想看到最合身的线条

Answer 1

我发现这篇文章更有帮助并关注了
https://stats.stackexchange.com/questions/73320/how-to-visualize-a-fitted-multiple-regression-model 。 根据建议，我目前只是绘制散点图，如因变量与第一个自变量，然后与第二个自变量等，我正在做同样的事情。 我可能看不到完整模型的最佳拟合线，但我知道它是如何依赖于单个变量的

from sklearn.linear_model import LinearRegression
train_copy = train[['OverallQual', 'AllSF','GrLivArea','GarageCars']]
train_copy =pd.get_dummies(train_copy)
train_copy=train_copy.fillna(0)
linear_regr_test = LinearRegression()

fig, axes = plt.subplots(1,len(train_copy.columns.values),sharey=True,constrained_layout=True,figsize=(30,15))

for i,e in enumerate(train_copy.columns):
  linear_regr_test.fit(train_copy[e].values[:,np.newaxis], y.values)
  axes[i].set_title("Best fit line")
  axes[i].set_xlabel(str(e))
  axes[i].set_ylabel('SalePrice')
  axes[i].scatter(train_copy[e].values[:,np.newaxis], y,color='g')
  axes[i].plot(train_copy[e].values[:,np.newaxis], 
  linear_regr_test.predict(train_copy[e].values[:,np.newaxis]),color='k')

Answer 2

您可以使用 Seaborn 的regplot函数，并使用预测数据和实际数据进行比较。 这与绘制最佳拟合线不同，但它会向您展示模型的工作情况。

sns.regplot(x=y_test, y=y_predict, ci=None, color="b")

Answer 3

您可以尝试通过比较实际值和预测值来可视化模型的性能。 假设我们的实际值存储在Y ，预测值存储在Y_ ，我们可以绘制和比较两者。

import seaborn as sns

ax1 = sns.distplot(Y, hist=False, color="r", label="Actual Value")
sns.distplot(Y_, hist=False, color="b", label="Fitted Values" , ax=ax1)