Seaborn Regplot
For å evaluere regresjonsmodellen er det mange andre sammenhengende motstridende tilnærminger. Hver gang den forutsagte utgangen er en kontinuerlig så vel som en kumulativ verdi, blir den referert til som en prediksjonsmodell. Mange andre tilnærminger kan brukes. Den mest grunnleggende er den lineære modellen. Den integrerer verdiene til det optimale høyere dimensjonale rommet som passerer gjennom alle toppunktene. Regplot () -funksjonen brukes til å lage regresjonsplott.
Regresjonsanalyse er en teknikk som brukes til å evaluere assosiasjonene mellom en eller flere uavhengige faktorer eller prediktorer og de avhengige attributtene eller kovariatene. Variasjonene i kravene i korrelasjon til modifikasjoner i spesifikke determinanter blir analysert gjennom regresjonsanalysen. Kriteriumets deklarative krav er avhengig av indikatorene, som gir den nye verdien av de avhengige attributtene når datapunktene blir oppdatert. Evaluering av intensiteten av kovariater, forventer et resultat og estimering er de tre viktige anvendelsene av en regresjonsmodell.
Eksempel 1
I dette trinnet bruker vi regplot () -metoden for å tegne regresjonsplottet til datarammen “MPG”.
Importer sjøborn som SNSImporter matplotlib.Pyplot som Plt
Data = SNS.LOAD_DATASET ("MPG")
sns.regplot (x = "mpg",
y = "akselerasjon",
data = data)
plt.forestilling()
Ved starten av programmet importerte vi de nødvendige rammene, sjøborn og matplotlib.Pyplot. Seaborn er en Python -modul for å lage numerisk visuals. Det er effektivt korrelert med Matplotlib -biblioteket. Seaborn Library hjelper brukere med å få tilgang til og evaluere dataene. Blant de mest utnyttede modulene for dataanalyse er matplotlib. Dette biblioteket er en pakke på plattform som oppretter todimensjonale diagrammer ved hjelp av en rekke data. Det inkluderer et grensesnitt for integrering av grafer i python grafiske rammer basert på applikasjoner.
Her får vi et datasett av "MPG" ved å bruke Load_Dataset () -metoden. Denne metoden er hentet fra Seaborn Library. Regplot () -funksjonen brukes for å tegne regresjonsplott. Seaborn -modulen inneholder regplot () -funksjonen. Denne metoden inneholder tre parametere. X-aksen til histogrammet holder verdiene til MPG. Mens y-aksen til regresjonsplottet holder akselerasjonsverdiene. Til slutt bruker vi PLT.vis () funksjon for å representere plottet.
Eksempel 2
En annen visualiseringsmetode for å plotte regresjonsplottet er ved å bruke regplot () -metoden. Her bruker vi denne metoden på datasettet “Titanic”.
Importer sjøborn som SNSImporter matplotlib.Pyplot som Plt
Data = SNS.LOAD_DATASET ("Titanic")
sns.regplot (x = "alder",
y = "Fare",
data = data,
dropna = true)
plt.forestilling()
Først av alt integrerer vi overskriftsfilene. Seaborn -biblioteket er integrert som SNS og Matplotlib.Pyplot er integrert som PLT. I neste trinn laster vi den nødvendige datarammen, så vi bruker Load_Dataset () -metoden. Denne funksjonen inneholder parameteren “Titanic”, da vi vil ha datasettet til Titanic. Seaborn -pakken holder funksjonen til Load_Dataset (). I det følgende trinnet bruker vi regplot () -funksjonen. Denne funksjonen skaper regresjonsvisuelt av det titaniske datasettet. Funksjonen inneholder forskjellige argumenter inkludert data, verdien av x-aksen, y-aksen, data og dropna.
Her gir vi verdien av "dropna" -attributtet. Ved å spesifisere "Dropna" -parameteren til True, kan vi sette inn en krumning til et plott. X-aksen til regresjonskartet er merket som "alder" og y-aksen er merket som "pris". Plt.Show () -metoden brukes for å illustrere den resulterende grafen.
Eksempel 3
Regplot () -metoden til Seaborn -biblioteket kan også brukes til å lage en regresjonsplott. I dette tilfellet oppretter vi en regresjonsplott av datasettet "øvelse".
Importer sjøborn som SNSImporter matplotlib.Pyplot som Plt
Data = SNS.LOAD_DATASET ("Trening")
sns.regplot (x = "id",
y = "puls",
data = data)
plt.forestilling()
Her introduserer vi essensielle biblioteker, sjøborn som SNS og matplotlib.Pyplot som Plt. Vi bruker LOAD_DATASET () -funksjonen til Seaborn -modulen for å skaffe "trening" -dataene. De samlede dataene lagres i "data" -attributtet. Regresjonsplottet opprettes ved å bruke Regplot () -metoden. Denne metoden finnes i Seaborn -pakken. Denne metoden har en variabel som representerer ID, puls og data fra grafen. Til slutt, for å skildre plottet, bruker vi PLT.Show () Metode.
Eksempel 4
I dette tilfellet spesifiserer Regplot () -metoden et datasett med "oppmerksomhet" og verdier for både x-aksen og y-aksen.
Importer sjøborn som SNSImporter matplotlib.Pyplot som Plt
Data = SNS.LOAD_DATASET ("oppmerksomhet")
sns.Regplot (x = "Solutions",
y = "score",
data = data)
plt.forestilling()
Vi starter med å integrere pakkene SNS og PLT. Seaborn -biblioteket er innlemmet som SNS. Matplotlib brukes til å integrere PLT. Vi henter nå det aktuelle datasettet. Som et resultat bruker vi Load_Dataset () -funksjonen. Hvis vi vil ha en database med oppmerksomhet, har denne metoden et "oppmerksomhet" -argument. Load_Dataset () -metoden er en del av Seaborn -pakken.
Etter dette blir regplot () -metoden til Seaborn -modulen brukt. Denne modulen oppretter regresjonsplottet. Funksjonen tar flere parametere som data, x-akserverdi og y-aksens verdi. Regresjonskartets x-aksen er merket som "løsninger" og y-aksen er merket som "poengsum". Den oppnådde regresjonsplottet blir deretter visualisert ved å bruke PLT.show () funksjon.
Konklusjon
I denne artikkelen snakket vi om de mange metodene for å lage regresjonsplott i sjøborn. Vi benyttet regplot () -metoden for å tegne regresjonsplott. Videre trakk vi regresjonsgrafer av de forskjellige innebygde datasettene med sjøborn. Regresjonsvisualiseringene i Seaborn -pakken er utelukkende designet for å gi et visuelt hjelpemiddel for å fremheve funksjonene fra datasettet under datautforskningen. Som navnet tilsier, trekker et regresjonskart en regresjonsgrense mellom to variabler og AIDS i skildringen av den underliggende korrelasjonskoeffisientene.