我已经制作了一个简单的线性回归模型:
LR = LinearRegression()kfold = model_selection.KFold(n_splits=10, random_state=12)result_kfold = model_selection.cross_val_score(LR, X_train, Y_train, cv=kfold, scoring = 'r2')print("Accuracy: %.2f%%" % (result_kfold.mean()*100.0)) LR.fit(X_train,Y_train)Y_pred = LR.predict(X_test)print("Y_pred:", Y_pred)我想绘制残差错误。我使用了’residplot’来实现这一点。但我不确定我是否传递了正确的参数。根据文档，我们需要使用预测变量和结果/响应变量。这是代码:
sns.set(style="whitegrid")sns.residplot(Y_test, Y_pred, lowess=True, color="g")请问有人能告诉我这是对的吗…还有X轴和Y轴的标签应该是什么?
提前感谢您的帮助
回答：
你正在绘制一些非常奇怪的东西，所以让我们使用一个示例数据集:
from sklearn.linear_model import LinearRegressionfrom sklearn.model_selection import train_test_splitimport matplotlib. pyplot as pltimport seaborn as snsiris = sns.load_dataset('iris')X_train, X_test, Y_train, Y_test = train_test_split(iris.iloc[:,:3], iris.iloc[:,3],random_state=11)LR = LinearRegression()LR.fit(X_train,Y_train)Y_pred = LR.predict(X_test)如果你只是想绘制残差，你可以这样做:
sns.set(style="whitegrid")fig, ax = plt.subplots(figsize =(5,5))sns.regplot(x=Y_pred,y=Y_test-Y_pred,ax=ax,lowess=True)ax.set(ylabel='residuals',xlabel='fitted values')
使用sns.regplot()你得到的是y变量回归到x变量上并绘制残差，这在你的情况下没有意义，我在下面说明了如何获得这个图表，首先你将预测值(y变量)拟合到实际值(x变量)，然后获得残差:
plotfit = LinearRegression()plotfit.fit(Y_test.to_numpy().reshape(-1,1),Y_pred)residual = Y_pred - plotfit.predict(Y_test.to_numpy().reshape(-1,1))然后绘制它会得到与你的sns.residplot完全相同的结果:
sns.set(style="whitegrid")fig, ax = plt.subplots(1,2,figsize =(10,5))sns.residplot(Y_test,Y_pred,lowess=True, color="g",ax=ax[0])ax[0].set_xlim(0,2.5)sns.regplot(x=Y_test,y=residual,lowess=True)ax[1].set_xlim(0,2.5)
