Regulação do Seaorn
Para avaliar o modelo de regressão, existem muitas outras abordagens contraditórias inter -relacionadas. Sempre que a saída prevista é um valor contínuo e cumulativo, é referido como um modelo de previsão. Inúmeras outras abordagens podem ser empregadas. O mais básico do qual é o modelo linear. Ele integra os valores ao espaço dimensional ideal mais alto que passa por todos os vértices. A função regplot () é usada para criar as parcelas de regressão.
A análise de regressão é uma técnica usada para avaliar as associações entre um ou mais fatores ou preditores independentes e os atributos dependentes ou covariáveis. As variações nos requisitos de correlação com modificações em determinantes específicos são analisados através da análise de regressão. O requisito declarativo dos critérios depende dos indicadores, que dão o novo valor dos atributos dependentes sempre que os pontos de dados forem atualizados. Avaliando a intensidade das covariáveis, antecipando um resultado e estimativa são as três aplicações importantes de um modelo de regressão.
Exemplo 1
Nesta etapa, usamos o método REGPLOT () para desenhar o gráfico de regressão do quadro de dados "mpg".
Importar Seaborn como SNSimportar matplotlib.pyplot como plt
Dados = SNS.load_dataset ("mpg")
SNS.Regplot (x = "mpg",
y = "aceleração",
dados = dados)
plt.mostrar()
No início do programa, importamos as estruturas necessárias, Seaborn e Matplotlib.Pyplot. Seaborn é um módulo Python para criar visuais numéricos. Está efetivamente correlacionado com a biblioteca Matplotlib. A Biblioteca Seaborn auxilia os usuários a acessar e avaliar os dados. Entre os módulos mais amplamente utilizados para análise de dados está Matplotlib. Esta biblioteca é um pacote de plataforma cruzada que cria gráficos bidimensionais usando uma variedade de dados. Inclui uma interface para integrar gráficos na estrutura gráfica python com base em aplicativos.
Aqui, obtemos um conjunto de dados de "MPG" aplicando o método load_dataset (). Este método é retirado da biblioteca marítima. A função REGPLOT () é empregada para desenhar as parcelas de regressão. O módulo SeaBorn contém a função REGPLOT (). Este método contém três parâmetros. O eixo x do histograma mantém os valores de MPG. Enquanto o eixo y do gráfico de regressão mantém os valores de aceleração. No final, usamos o PLT.Show () função para representar o enredo.
Exemplo 2
Outro método de visualização para plotar o gráfico de regressão é aplicando o método REGPLOT (). Aqui, empregamos esse método no conjunto de dados "Titanic".
Importar Seaborn como SNSimportar matplotlib.pyplot como plt
Dados = SNS.load_dataset ("Titanic")
SNS.Regplot (x = "Age",
y = "tarifa",
dados = dados,
Dropna = true)
plt.mostrar()
Primeiro de tudo, integramos os arquivos de cabeçalho. A Biblioteca Seaborn é integrada como SNS e Matplotlib.PyPlot é integrado como PLT. Na próxima etapa, carregamos o quadro de dados necessários para que apliquemos o método load_dataset (). Esta função contém o parâmetro "Titanic", pois queremos o conjunto de dados do Titanic. O pacote Seaborn detém a função de load_dataset (). Na etapa seguinte, utilizamos a função regplot (). Esta função cria o visual de regressão do conjunto de dados Titanic. A função contém argumentos diferentes, incluindo os dados, o valor do eixo x, eixo y, dados e Dropna.
Aqui, fornecemos o valor do atributo "Dropna". Ao especificar o parâmetro "Dropna" para true, podemos inserir uma curvatura em um gráfico. O eixo x do mapa de regressão é rotulado como "idade" e o eixo y é rotulado como "tarifa". O plt.o método show () é aplicado para ilustrar o gráfico resultante.
Exemplo 3
O método REGPLOT () da biblioteca marítima também pode ser usado para criar um gráfico de regressão. Nesse caso, criamos um gráfico de regressão do conjunto de dados "Exercício".
Importar Seaborn como SNSimportar matplotlib.pyplot como plt
Dados = SNS.load_dataset ("Exercício")
SNS.Regplot (x = "id",
y = "pulso",
dados = dados)
plt.mostrar()
Aqui, apresentamos as bibliotecas essenciais, Seaborn como SNS e Matplotlib.pyplot como plt. Aplicamos a função load_dataSet () do módulo SeaBorn para adquirir os dados de "exercício". Os dados coletados são salvos no atributo "dados". O gráfico de regressão é criado usando o método REGPLOT (). Este método é encontrado no pacote marítimo. Este método possui uma variável que representa o ID, pulso e dados do gráfico. Por fim, para representar o enredo, empregamos o PLT.Método Show ().
Exemplo 4
Nesse caso, o método REGPLOT () especifica um conjunto de dados de "atenção" e valores do eixo x e do y y.
Importar Seaborn como SNSimportar matplotlib.pyplot como plt
Dados = SNS.load_dataset ("atenção")
SNS.Regplot (x = "soluções",
y = "pontuação",
dados = dados)
plt.mostrar()
Começamos integrando os pacotes SNS e PLT. A biblioteca marítima é incorporada como SNS. Matplotlib é usado para integrar PLT. Agora recuperamos o conjunto de dados apropriado. Como resultado, usamos a função load_dataset (). Se queremos um banco de dados de atenção, esse método tem um argumento de "atenção". O método load_dataset () faz parte do pacote marítimo.
Depois disso, o método REGPLOT () do módulo marítimo é aplicado. Este módulo cria o gráfico de regressão. A função leva os vários parâmetros, como dados, valor do eixo x e valor do eixo y. O eixo x do mapa de regressão é marcado como "soluções" e o eixo y é marcado como "pontuação". O gráfico de regressão obtido é então visualizado usando o PLT.show () função.
Conclusão
Neste artigo, conversamos sobre os inúmeros métodos de criação das parcelas de regressão em Seaborn. Utilizamos o método REGPLOT () para desenhar as parcelas de regressão. Além disso, desenhamos gráficos de regressão dos diferentes conjuntos de dados embutidos de SeaBorn. As visualizações de regressão no pacote SeaBorn são projetadas exclusivamente para fornecer uma ajuda visual para destacar os recursos do conjunto de dados durante a exploração de dados. Como o nome indica, um mapa de regressão atrai um limite de regressão entre duas variáveis e AIDS na representação dos coeficientes de correlação subjacente.