python残差分析图

import numpy as np
from plotnine import *
import statsmodels.api as sm
import pandas as pd

#残差分析图
df = pd.read_csv('Residual_Analysis_Data.csv')
results = sm.OLS(df.y2,df.x).fit()
df['predicted']=results.predict()
df['residuals']=df.predicted-df.y2
df['Abs_Residuals']=np.abs(df.residuals)

base_Residuals=(ggplot(df,aes(x='x', y='y2'))+
                geom_point(aes(fill='Abs_Residuals',size='Abs_Residuals'),shape='o',color='black')+
                geom_line(aes(y='predicted'),color='lightgrey')+
                geom_point(aes(y='predicted'),shape='o')+
                geom_segment(aes(xend='x',yend='predicted'),alpha=.2)+
                scale_fill_gradientn(colors=["black","red"])+


                guides(fill=guide_legend(title='Rresidual'),
                       size = guide_legend(title='Rresidual'))+
                theme(
                    axis_title=element_text(size=18,face='plain',color='black'),
                    axis_text=element_text(size=16,face='plain',color='black'),
                    aspect_ratio=1.1,
                    figure_size=(5,5),
                    dpi=100
                )
                )
print(base_Residuals)
  • 0
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Python中进行残差分析的方法如下所示: 1. 首先,使用statsmodels包中的OLS函数建立线性回归模型。可以使用sklearn.datasets中的load_boston函数加载波士顿房价数据集,并将其分为训练集和测试集。 2. 使用fit方法来拟合模型,并使用predict方法计算出训练集的预测值。 3. 使用get_influence方法获取残差相关的信息。其中,通过计算y_train与y_predict的差值来获得残差。 4. 使用resid_studentized_external方法计算学生化残差。 5. 可以使用numpy库来计算残差的平均值和方差。通常情况下,残差的平均值应该接近零,方差应该相对较小。 引用 此外,残差的正态性也是残差分析的重要部分。通过观察残差的分布,可以大致判断残差是否服从正态分布。通常情况下,我们希望残差的分布接近正态分布。 引用 此外,线性回归模型还要求预测变量和响应变量之间具有线性关系。因此,在残差分析中,我们还要检查残差是否随着预测变量的变化而存在非线性关系。如果残差的均值为零,通常情况下我们可以假设存在线性关系。 引用 总结一下,Python中的残差分析可以通过计算残差和学生化残差来进行。同时,还可以观察残差的分布以及检查残差是否存在线性关系。这些分析可以帮助我们评估线性回归模型的拟合效果,以及检验模型假设是否成立。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [用python计算残差等](https://blog.csdn.net/TSzero/article/details/117032859)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [Python金融系列第五篇:多元线性回归和残差分析](https://blog.csdn.net/CoderPai/article/details/82982146)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值