На этом шаге мы рассмотрим назначение и примеры использования этой функции.

    Функция residplot() отображает отклонения элементов исходного набора данных от регрессионной модели, построенной по ним, в виде диаграммы рассеяния. Каждая точка такой диаграммы - это разность между значением элемента исходного набора и значением, которое выдаст модель регрессии в этой точке. Параметры функции residplot() совпадают с набором, приведённым на 131 шаге "Общие параметры функций".

    Приведём несколько примеров её использования. Будем работать с набором mpg:

mpg = sns.load_dataset("mpg")

    Построим модель линейной регрессии с помощью функции regplot():

import matplotlib.pyplot as plt
import seaborn as sns

mpg = sns.load_dataset("mpg")

sns.regplot(x="mpg", y="displacement", data=mpg)

plt.show()

Рис.1. График модели линейной регрессии, построенный с помощью regplot()

    Теперь построим диаграмму рассеяния отклонений значений набора данных от модели:

import matplotlib.pyplot as plt
import seaborn as sns

mpg = sns.load_dataset("mpg")

sns.residplot(x="mpg", y="displacement", color='g', data=mpg)

plt.show()

Рис.2. Диаграмма рассеяния отклонений значений набора данных от модели, построенная с помощью residplot()

    Пример модели третьего порядка:

import matplotlib.pyplot as plt
import seaborn as sns

mpg = sns.load_dataset("mpg")

sns.regplot(x="mpg", y="displacement", order=3, data=mpg)

plt.show()

Рис.3. График модели третьего порядка

    Для такой модели распределение отклонений будет таким:

import matplotlib.pyplot as plt
import seaborn as sns

mpg = sns.load_dataset("mpg")

sns.residplot(x="mpg", y="displacement", color='g', order=3, data=mpg)

plt.show()

Рис.4. Распределение отклонений для модели третьего порядка

    На следующем шаге мы рассмотрим функцию lmplot().

Предыдущий шаг Содержание Следующий шаг