Python 逻辑回归残差图/分布

我试图在

Python

我在互联网上搜索，但无法获取信息。
似乎我们可以从中计算偏差残差

这将返回一个数值

然而，我们可以在执行

GLM

时评估残差图。。。。 似乎没有用于

Python

绘制逻辑回归残差、pearson或偏差的包

此外，我还发现了一个有趣的包。但我不确定它是否可以用于逻辑回归

有没有关于绘制残差图的建议

---

此外，我还找到了一个资源，它用于

ols

而不是

logit

。残差的计算似乎有点不同

我最初的反应是，你可以只取真实值和回归预测值（分数）的差值，然后绘制它们，因为它们实际上是残差。您可以根据解释变量绘制这些曲线图，以查找问题。你的问题更多的是关于如何找到残差，找到关系，或者进行实际的绘图机制吗？我认为你提到的不同之处在于

ResidualsPlot

所做的。然而，我的问题是逻辑回归，似乎有

pearson残差

和

偏差残差

，我如何计算这两个残差并在

Python

中绘制它们。我将使用我通常的答案：想想你正在尝试做什么。如果您想对模型进行一些取证，那么残差对于探索您是否有一些未建模的关系非常有用。可以将基本残差（真值减去分数）与x1、x2等作图，以查看是否存在明显的模式（例如，其中一个模式应使用二次型输入）。更复杂的残差公式可能很有趣，但它们真的达到了你想要的吗？更复杂的残差公式，

pearson

或

deviance

，在逻辑回归建模时很好使用。实际上，我不确定单独使用y_实际值减去预测值是否好。

from sklearn.metrics import log_loss
def deviance(X_test, true, model):
    return 2*log_loss(y_true, model.predict_log_proba(X_test))