Python 修改的Bland–；海伯恩的奥特曼阴谋

我的实验室使用PI所称的“修改的Bland–Altman图”来分析回归质量。我使用Seaborn编写的代码只处理离散数据，我想对其进行概括

A将两个度量值之间的差异与其平均值进行比较。“修改”是x轴是地面真值，而不是平均值。y轴是预测值和真实值之间的差值。实际上，修改后的B–A图可视为y=x线的残差图，即预测值=真值的线

---

下面给出了生成此图的代码以及一个示例

def modified_bland_altman_plot(predicted, truth):
    predicted = np.asarray(predicted)
    truth = np.asarray(truth, dtype=np.int)  # np.int is a hack for stripplot
    diff = predicted - truth

    ax = sns.stripplot(truth, diff, jitter=True)
    ax.set(xlabel='truth', ylabel='difference from truth', title="Modified Bland-Altman Plot")

    # Plot a horizontal line at 0
    ax.axhline(0, ls=":", c=".2")

    return ax

诚然，这个例子在预测中有着可怕的偏差，这一点可以从向下的斜率看出

---

我对两件事很好奇：

这些“修改后的平淡-奥特曼情节”是否有一个公认的名称

如何为非离散数据创建这些？我们使用

条带图

，这需要离散数据。我知道seaborn有

residplot

函数，但它不为测量残差的行使用自定义函数，例如

predicted=true

。相反，它从计算的最佳拟合线进行测量

---

您似乎在这里寻找标准散点图：

---

您似乎在这里寻找标准散点图：

---

颜色在上下文中表示什么？颜色在上下文中表示什么？

import matplotlib.pyplot as plt
import numpy as np; np.random.seed(1)


def modified_bland_altman_plot(predicted, truth):
    predicted = np.asarray(predicted)
    truth = np.asarray(truth) 
    diff = predicted - truth

    fig, ax = plt.subplots()
    ax.scatter(truth, diff, s=9, c=truth, cmap="rainbow")
    ax.set_xlabel('truth')
    ax.set_ylabel('difference from truth')
    ax.set_title("Modified Bland-Altman Plot")

    # Plot a horizontal line at 0
    ax.axhline(0, ls=":", c=".2")

    return ax

x = np.random.rayleigh(scale=10, size=201)
y = np.random.normal(size=len(x))+10-x/10.

modified_bland_altman_plot(y, x)

plt.show()