Python 难以理解具有多重特征的线性回归

假设房价（目标变量）可以很容易地根据房屋面积（预测变量）绘制，我们可以看到绘制的数据，并通过数据绘制一条最佳拟合线

但是，考虑如果我们有预测变量（大小，卧室的数量，地点，楼层号）等等，我该如何把所有这些都画出来？

---

目标变量并将其可视化到二维图形上？

如果您真的想要二维图形，那当然不容易。一种可能的方法是使用类似的方法将数据的维度减少到2。然后你可以再画一次二维图。减少到3维而不是2维可能仍然有效，人类可以相当好地理解在2D屏幕上绘制的3D图

---

不过，通常不需要手动进行线性回归，因此也不需要数据的二维图形。你可以让你的计算机计算线性回归，这在2维或3维以上的情况下工作得非常好。

如果你真的想要一个二维图形，那当然不容易。一种可能的方法是使用类似的方法将数据的维度减少到2。然后你可以再画一次二维图。减少到3维而不是2维可能仍然有效，人类可以相当好地理解在2D屏幕上绘制的3D图

---

不过，通常不需要手动进行线性回归，因此也不需要数据的二维图形。你可以让你的计算机计算线性回归，这在2维或3维以上的情况下效果非常好。

计算不应该是个问题（不管维度如何，数学都可以），但绘图肯定会变得棘手。主成分分析很难解释，在这里强制正交可能不合适。我想看看这里提供的一些建议：

---

从根本上说，这取决于你想要传达什么。拟合优度？也许把多个残差图放在一起

计算不应该是个问题（不管维度如何，数学都是有效的），但绘图肯定会变得棘手。主成分分析很难解释，在这里强制正交可能不合适。我想看看这里提供的一些建议：

---

从根本上说，这取决于你想要传达什么。拟合优度？也许把多个残差图放在一起

那有帮助！！谢谢丹尼斯。但我还有一个困惑，那就是如果要将剩余图可视化为预测变量的w.r.t（比如5或6），那么为了检查异方差性，我将不得不将它们带到2D。那么在这种情况下会发生什么？这很有帮助！！谢谢丹尼斯。但我还有一个困惑，那就是如果要将剩余图可视化为预测变量的w.r.t（比如5或6），那么为了检查异方差性，我将不得不将它们带到2D。那么，在这种情况下会发生什么呢？关于你对剩余分布的关注，我不会关注它。试着用一个合适的指标来限定它。看：那个链接真的帮助我理解了一些好东西！！谢谢你，彼得！关于你对剩余分配的关注，我不会去关注它。试着用一个合适的指标来限定它。看：那个链接真的帮助我理解了一些好东西！！谢谢你，彼得！