Seaborn - 線性關係

---

---

大多數情況下，我們使用包含多個定量變數的資料集，並且分析的目標通常是將這些變數相互關聯。這可以透過迴歸線來完成。

在構建迴歸模型時，我們經常檢查多重共線性，我們需要檢視所有連續變數組合之間的相關性，並在存在多重共線性時採取必要的措施將其消除。在這種情況下，以下技術會有所幫助。

繪製線性迴歸模型的函式

Seaborn 中有兩個主要的函式用於視覺化透過迴歸確定的線性關係。這些函式是regplot()和lmplot()。

regplot 與 lmplot

現在讓我們繪製圖形。

示例

在此示例中，使用相同的資料繪製 regplot 和 lmplot 圖。

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('tips')
sb.regplot(x = "total_bill", y = "tip", data = df)
sb.lmplot(x = "total_bill", y = "tip", data = df)
plt.show()

輸出

您可以看到兩個圖之間的大小差異。

當其中一個變數取離散值時，我們也可以擬合線性迴歸。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('tips')
sb.lmplot(x = "size", y = "tip", data = df)
plt.show()

輸出

擬合不同型別的模型

上面使用的簡單線性迴歸模型非常易於擬合，但在大多數情況下，資料是非線性的，並且上述方法無法概括迴歸線。

讓我們使用 Anscombe 的資料集以及迴歸圖 -

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('anscombe')
sb.lmplot(x="x", y="y", data=df.query("dataset == 'I'"))
plt.show()

在這種情況下，資料非常適合線性迴歸模型，方差較小。

讓我們再看一個數據偏差較大的示例，這表明最佳擬合線效果不佳。

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('anscombe')
sb.lmplot(x = "x", y = "y", data = df.query("dataset == 'II'"))
plt.show()

輸出

該圖顯示了資料點與迴歸線的較大偏差。可以使用lmplot()和regplot()視覺化此類非線性、高階關係。這些可以擬合多項式迴歸模型來探索資料集中簡單的非線性趨勢 -

示例

import pandas as pd
import seaborn as sb
from matplotlib import pyplot as plt
df = sb.load_dataset('anscombe')
sb.lmplot(x = "x", y = "y", data = df.query("dataset == 'II'"),order = 2)
plt.show()

輸出