如何在 Matplotlib 中清晰地绘制 statsmodels 线性回归 (OLS)？

我们可以绘制 statsmodels 线性回归 (OLS)，其中曲线非线性，但数据是线性的。

步骤

  • 设置图形大小并调整子图之间和周围的填充。

  • 要创建一个新图形，我们可以使用 **seed()** 方法。

  • 初始化样本数和 sigma 变量。

  • 使用 numpy 创建线性数据点 x、X、**beta、t_true**、y 和 **res**。

  • **Res** 是一个普通最小二乘法类实例。

  • 计算标准差。预测的置信区间适用于 WLS 和 OLS，不适用于一般 GLS，即独立但非同分布的观测值。

  • 使用 **subplot()** 方法创建图形和一组子图。

  • 使用 **plot()** 方法绘制所有曲线，并使用 **(x, y)、(x, y_true)、(x, res.fittedvalues)、(x, iv_u)** 和 **(x, iv_l)** 数据点。

  • 在绘图中放置图例。

  • 要显示图形，请使用 **show()** 方法。

示例

import numpy as np
from matplotlib import pyplot as plt
from statsmodels import api as sm
from statsmodels.sandbox.regression.predstd import wls_prediction_std
plt.rcParams["figure.figsize"] = [7.50, 3.50]
plt.rcParams["figure.autolayout"] = True
np.random.seed(9876789)
nsample = 50
sig = 0.5
x = np.linspace(0, 20, nsample)
X = np.column_stack((x, np.sin(x), (x - 5) ** 2, np.ones(nsample)))
beta = [0.5, 0.5, -0.02, 5.]
y_true = np.dot(X, beta)
y = y_true + sig * np.random.normal(size=nsample)
res = sm.OLS(y, X).fit()
prstd, iv_l, iv_u = wls_prediction_std(res)
fig, ax = plt.subplots()
ax.plot(x, y, 'o', label="data")
ax.plot(x, y_true, 'b-', label="True")
ax.plot(x, res.fittedvalues, 'r--.', label="OLS")
ax.plot(x, iv_u, 'r--')
ax.plot(x, iv_l, 'r--')
ax.legend(loc='best')
plt.show()

输出

更新时间： 2021-06-01

2K+ 浏览数

开启您的 职业

完成课程并获得认证

开始
广告