为多变量回归绘制 3D 图答案

【问题标题】：Plotting 3D graph for multi-variable regression为多变量回归绘制 3D 图
【发布时间】：2019-12-21 20:03:45
【问题描述】：

我想使用以下数据绘制带有平面的 3D 图形：

这是数据框的代码：

df_dict = {'area':[2600, 3000, 3200, 3600, 4000, 4100], 
'bedrooms':[3.0, 4.0, 4.0, 3.0, 5.0, 6.0],
'age':[20, 15, 18, 30, 8, 8], 
'price':[550000, 565000, 610000, 595000, 760000, 810000]}

df = pd.DataFrame(df_dict)

这些值存储在 pandas 的 DataFrame 中。

另外，等式是：

面积x1，卧室x2，年龄x3。

m1 是 112，m2 是 23388，m3 是 -3231
b 是 221323

我只能做到以下几点：

fig = plt.figure(figsize=(12, 8))

ax = fig.add_subplot(111, projection='3d')

ax.scatter(df['area'], df['bedrooms'], df['age'], c='r', marker='o')

ax.set_xlabel('area')
ax.set_ylabel('bedrooms')
ax.set_zlabel('age')

plt.show()

即使这样看起来也不对。如何使用方程式正确绘制平面？

【问题讨论】：

您可以将一些示例数据作为数据框而不是图像发布吗？另外，你希望飞机如何表现？它应该是一个试图接近这些点的平面吗？还是应该是一个与所有点相交的曲面？
数据是从 .csv 文件加载的，但我会提供一些代码来创建数据框。
飞机应该按照给定的方程正常运行。
请提供 csv 文件，以便提供足够大的数据集以供使用。我将向您展示两种方法。
@sentence：这就是我实际拥有的所有数据，您可以随意生成随机值来扩展它。

标签： python pandas matplotlib regression

【解决方案1】：

您希望绘制的回归方程实际上有 3 个预测变量和 1 个目标变量。绘制price 需要另一个轴，即在 4d 中绘制。这个在 3d 中绘制平面的简化版本可能是一个很好的起点

from mpl_toolkits import mplot3d
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline

def f(area, bedrooms):
    return(112*area + 23388*bedrooms + 221323)

n = 6
area = np.linspace(2600, 4100, n)
bedrooms = np.linspace(3, 6, n)

X1, X2 = np.meshgrid(area, bedrooms)
Z = f(X1, X2)

fig = plt.figure(figsize = (12, 8))

ax = plt.axes(projection='3d')
ax.plot_surface(X1, X2, Z, rstride=1, cstride=1, cmap='viridis', edgecolor='none')
ax.set_xlabel('area')
ax.set_ylabel('bedrooms')
ax.set_zlabel('price')
ax.set_title('surface')

【讨论】：

事实上，您确实有意丢弃了年龄特征，这对于 OP 来说似乎同样重要。您应该指定您的设计选择，这是一种礼貌但绝对不完整的尝试，以满足作者的要求。
放弃其中一个特征是绘制 3d 平面所必需的；我随意选择了年龄。由于最初的要求并不可行，我的设计选择当然受到了限制。
我不知道为什么它需要 4D。 “价格”列是用于多变量回归模型的标记数据。飞机必须经过给定的点（面积、卧室和年龄）。
@user963241 好吧，如果我们考虑一维线 y=mx+c 需要 2 个轴来绘制（x 和 y），而二维平面 y=mx1+mx2+c 需要 3 个轴（x、y 和 z )，然后再添加一个变量将需要多一个轴，如果您关注我的话。
@user963241 不一定不可能，但也可能不是您的想法。我推荐的可能是制作我上面描述的三个图：比较area, bedrooms, price、area, age, price 然后bedrooms, age, price。这将让您了解每个预测变量与目标变量的外观。