线性回归 10 种图表 上

这段时间，不少同学提到了一些图表的问题。

每次在使用matplotlib画图，运用这些图表说明问题的时候，很多时候是模糊的，比如说什么时候画什么图合适？

其实这个根据你自己的需求，自己的想法来就行。

今天的话，我这里举例在线性回归中，最常用的一些图表，应该可以cover绝大多数情况了。其他算法模型适用的图表，咱们在后面再给大家进行总结~

至于数据集，表现方式，大家可以根据我给出的代码继续调整即可！

那么，在线性回归学习中，以下10种图表是很重要的：

• 散点图

• 线性趋势线图

• 残差图（Residual plot）

• 正态概率图

• 学习曲线

• 方差-偏差权衡图

• 残差对预测值图

• 部分回归图

• 杠杆图

• Cook's 距离图  

1，散点图

散点图（Scatter plot）是一种展示两个变量之间关系的图表。它通过在坐标系中以点的形式表示数据，其中每个点的位置由两个变量的值决定，从而展示它们之间的关系。

在线性回归中，散点图通常用于可视化数据集中两个变量之间的关系，并帮助我们判断是否适合使用线性模型进行建模。

咱们使用sklearn库中的load_diabetes数据集。然后，将选择数据集中的一个特征作为自变量X，另一个特征作为因变量y。后面的案例，也用这个数据集给大家进行演示。

from sklearn.datasets import load_diabetes

# 加载数据集
diabetes = load_diabetes()
X = diabetes.data[:, 2]  # 使用第三个特征作为自变量
y = diabetes.target

# 手动实现简单线性回归算法
def simple_linear_regression(X, y):
    # 计算均值
    X_mean = sum(X) / len(X)
    y_mean = sum(y) / len(y)
    
    # 计算斜率和截距
    numerator = sum((X - X_mean) * (y - y_mean))
    denominator = sum((X - X_mean) ** 2)
    slope = numerator / denominator
    intercept = y_mean - slope * X_mean
    
    return slope, intercept

# 获取回归直线的斜率和截距
slope, intercept = simple_linear_regression(X, y)

现在，画出散点图并添加回归直线。

import matplotlib.pyplot as p