残差图绘制指南:评估模型拟合质量和识别异常值
残差图是指实际观测值与模型预测值之间的差异,通常用于评估模型的拟合质量和检测异常值。下面是绘制残差图的步骤:
-
首先,从数据集中计算出模型的预测值和残差(实际观测值减去预测值)。
-
接下来,将残差按照预测值的大小进行排序。
-
然后,将排序后的残差值绘制在 Y 轴上,将对应的预测值绘制在 X 轴上。
-
最后,检查残差图中是否存在明显的模式或异常值。如果残差图中存在明显的模式或异常值,那么说明模型的拟合质量可能存在问题,需要对模型进行调整或改进。
下面是一个简单的 Python 代码示例,用于绘制线性回归模型的残差图:
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
# 生成随机数据
np.random.seed(0)
X = np.random.rand(100, 1)
y = 2 * X + np.random.randn(100, 1)
# 训练线性回归模型
model = LinearRegression()
model.fit(X, y)
# 计算预测值和残差
y_pred = model.predict(X)
residuals = y - y_pred
# 绘制残差图
plt.scatter(y_pred, residuals)
plt.xlabel('Predicted Values')
plt.ylabel('Residuals')
plt.axhline(y=0, color='r', linestyle='-')
plt.show()
这段代码会生成一个散点图,其中 X 轴表示模型的预测值,Y 轴表示对应的残差。红色的水平线表示 Y 轴上的零点。

原文地址: https://www.cveoy.top/t/topic/oHxs 著作权归作者所有。请勿转载和采集!