正文

掌握Matplotlib，轻松实现简单线性回归可视化

/0 浏览量
1119

线性回归是一种广泛应用于数据分析中的统计方法，它可以帮助我们理解两个变量之间的关系。Matplotlib 是 Python 中一个强大的可视化库，可以用来轻松地创建线性回归的可视化。以下将详细介绍如何使用 Matplotlib 和 Python 的 statsmodels 库来实现简单线性回归的可视化。

准备工作

在开始之前，请确保您已经安装了以下库：

  • Python 3.x
  • Matplotlib
  • NumPy
  • Statsmodels

您可以使用以下命令安装这些库：

pip install matplotlib numpy statsmodels

导入必要的库

首先，我们需要导入必要的库：

import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm

生成示例数据

为了演示，我们将创建一组简单的线性数据：

X = np.linspace(-10, 10, 100)  # 自变量
X = sm.add_constant(X)  # 添加常数项，以便 statsmodels 可以进行回归
y = 2 * X + 3 + np.random.normal(0, 2, 100)  # 因变量，包含误差

创建线性回归模型

接下来，我们使用 statsmodels 创建线性回归模型：

model = sm.OLS(y, X).fit()

绘制数据点

现在我们使用 Matplotlib 绘制数据点：

plt.scatter(X[:, 1], y, color='blue')  # 绘制散点图
plt.xlabel('X')  # X轴标签
plt.ylabel('Y')  # Y轴标签
plt.title('Simple Linear Regression')  # 标题

添加回归线

接下来，我们将添加线性回归线：

plt.plot(X[:, 1], model.predict(X), color='red')  # 绘制回归线

显示图形

最后，我们使用 plt.show() 来显示图形：

plt.show()

完整代码

以下是上述步骤的完整代码：

import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm

# 生成示例数据
X = np.linspace(-10, 10, 100)
X = sm.add_constant(X)
y = 2 * X + 3 + np.random.normal(0, 2, 100)

# 创建线性回归模型
model = sm.OLS(y, X).fit()

# 绘制数据点
plt.scatter(X[:, 1], y, color='blue')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Simple Linear Regression')

# 添加回归线
plt.plot(X[:, 1], model.predict(X), color='red')

# 显示图形
plt.show()

通过以上步骤，您就可以使用 Matplotlib 和 Python 实现简单线性回归的可视化。这有助于您更好地理解数据之间的关系，并为您的分析提供直观的展示。

-- 展开阅读全文 --