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?Python 难以理解具有多重特征的线性回归,python,linear-regression,data-analysis,Python,Linear Regression,Data Analysis,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
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!