Seaborn回归模型

Seaborn回归模型

1. 回归模型
   回归模型是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。
   这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。
   例如，司机的鲁莽驾驶习惯与道路交通事故数量之间的关系最好的研究方法就是回归。

2. 回归分析
   回归模型重要的基础或者方法就是回归分析，回归分析是研究一个变量（被解释变量）关于另一个（些）变量（解释变量）的具体依赖关系的计算方法和理论， 是建模和分析数据的重要工具。
   可以使用曲线/线来拟合相关数据点，在这种方式下，从曲线或线到数据点的距离差异最小。

3. 线性回归
   最为人熟知的建模技术之一。线性回归通常是人们在学习预测模型时首选的技术之一。

   在这种技术中，因变量是连续的，自变量可以是连续的也可以是离散的，回归线的性质是线性的。

   线性回归使用最佳的拟合直线（也就是回归线）在因变量（Y）和一个或多个自变量（X）之间建立一种关系。

4. 逻辑回归
   逻辑回归是用来计算“事件=Success”和“事件=Failure”的概率。当因变量的类型属于二元（1 / 0，真/假，是/否）变量时，我们就应该使用逻辑回归。这里，Y的值从0到1

5. 多项式回归

   对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。
   多项式回归最佳拟合线不是直线。而是一个用于拟合数据点的曲线。

回归模型绘图

1. lmplot绘图
   lmplot是一种集合基础绘图与基于数据建立回归模型的绘图方法。旨在创建一个方便拟合数据集回归模型的绘图方法，利用’hue’、‘col’、'row’参数来控制绘图变量。

seaborn.lmplot(x, y, data, hue=None, col=None, row=None, 
palette=None, col_wrap=None, size