如何绘制 SciKit-Learn 线性回归图

Question

我是 SciKit-Learn 的新手，我一直在研究 kaggle 上的回归问题（国王县 csv）。我一直在训练一个回归模型来预测房子的价格，我想绘制图表，但我不知道该怎么做。我正在使用python 3.6。任何意见或建议将不胜感激。

#importing numpy and pandas, seaborn

import numpy as np #linear algebra
import pandas as pd #datapreprocessing, CSV file I/O
import seaborn as sns #for plotting graphs
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import KFold
from sklearn.model_selection import cross_val_score
import matplotlib.pyplot as plt

data = pd.read_csv('kc_house_data.csv')
data = data.drop('date',axis=1)
data = data.drop('id',axis=1)

X = data
Y = X['price'].values
X = X.drop('price', axis = 1).values

X_train, X_test, Y_train, Y_test = train_test_split (X, Y, test_size = 0.30, random_state=21)


reg = LinearRegression()
kfold = KFold(n_splits=15, random_state=21)
cv_results = cross_val_score(reg, X_train, Y_train, cv=kfold, scoring='r2')

print(cv_results)

round(np.mean(cv_results)*100, 2)

Answer 1

这是来自 sklearn 的代码：https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html

Answer 2

您可以使用matplotlib 进行绘图

import matplotlib.pyplot as plt
plt.figure(figsize=(16, 9))
plt.plot(cv_results)
    
plt.show()

您可以使用多种类型的图，例如简单的线图或散点图。

plt.barh(x, y) # for bar graph
plt.plot(x,y)  # for line graph
plt.scatter(x,y) # for scatter graph

Answer 3

Seaborn 是一个非常有用的可视化库。如此之多，以至于您可以使用“seaborn.regplot”直接绘制数据和回归模型拟合线。它直接接受预测变量和响应变量，并吐出数据点和最佳拟合线的图。这是如何使用它的链接：

https://seaborn.pydata.org/generated/seaborn.regplot.html

Answer 4

我也在 kaggle 上做过同样的比赛。 对于回归，我会选择散点图：

import matplotlib as plt
plt.plot(x,y)

至于该特定比赛的可视化，我将使用以下代码：

# visualising some more outliers in the data values
fig, axs = plt.subplots(ncols=2, nrows=0, figsize=(12, 120))
plt.subplots_adjust(right=2)
plt.subplots_adjust(top=2)
sns.color_palette("husl", 8)
for i, feature in enumerate(list(train[numeric]), 1):
if(feature=='MiscVal'):
    break
plt.subplot(len(list(numeric)), 3, i)
sns.scatterplot(x=feature, y='SalePrice', hue='SalePrice', palette='Blues', data=train)
    
plt.xlabel('{}'.format(feature), size=15,labelpad=12.5)
plt.ylabel('SalePrice', size=15, labelpad=12.5)

for j in range(2):
    plt.tick_params(axis='x', labelsize=12)
    plt.tick_params(axis='y', labelsize=12)

plt.legend(loc='best', prop={'size': 10})
    
plt.show()

如果你想看看，我实际上已经在我的 GitHub 上上传了该竞赛的完整代码；）（我目前在该竞赛中排名前 14%）。