如何在 Matplotlib 中清晰地繪製 statsmodels 線性迴歸 (OLS)？

我們可以繪製 statsmodels 線性迴歸 (OLS)，其中曲線非線性，但資料是線性的。

步驟

• 設定圖形大小並調整子圖之間和周圍的填充。

• 要建立一個新圖形，我們可以使用 **seed()** 方法。

• 初始化樣本數和 sigma 變數。

• 使用 numpy 建立線性資料點 x、X、**beta、t_true**、y 和 **res**。

• **Res** 是一個普通最小二乘法類例項。

• 計算標準差。預測的置信區間適用於 WLS 和 OLS，不適用於一般 GLS，即獨立但非同分佈的觀測值。

• 使用 **subplot()** 方法建立圖形和一組子圖。

• 使用 **plot()** 方法繪製所有曲線，並使用 **(x, y)、(x, y_true)、(x, res.fittedvalues)、(x, iv_u)** 和 **(x, iv_l)** 資料點。

• 在繪圖中放置圖例。

• 要顯示圖形，請使用 **show()** 方法。

示例

import numpy as np
from matplotlib import pyplot as plt
from statsmodels import api as sm
from statsmodels.sandbox.regression.predstd import wls_prediction_std
plt.rcParams["figure.figsize"] = [7.50, 3.50]
plt.rcParams["figure.autolayout"] = True
np.random.seed(9876789)
nsample = 50
sig = 0.5
x = np.linspace(0, 20, nsample)
X = np.column_stack((x, np.sin(x), (x - 5) ** 2, np.ones(nsample)))
beta = [0.5, 0.5, -0.02, 5.]
y_true = np.dot(X, beta)
y = y_true + sig * np.random.normal(size=nsample)
res = sm.OLS(y, X).fit()
prstd, iv_l, iv_u = wls_prediction_std(res)
fig, ax = plt.subplots()
ax.plot(x, y, 'o', label="data")
ax.plot(x, y_true, 'b-', label="True")
ax.plot(x, res.fittedvalues, 'r--.', label="OLS")
ax.plot(x, iv_u, 'r--')
ax.plot(x, iv_l, 'r--')
ax.legend(loc='best')
plt.show()

輸出

Rishikesh Kumar Rishi

更新時間： 2021-06-01

2K+ 瀏覽數

開啟您的 職業

完成課程並獲得認證

開始