SEABORN Regpllot

Seeborn ist eine Matplotlib-basierte visuelle Analysebibliothek. Es verfügt über einen hochrangigen Rahmen für die Definition der visuell ansprechenden analytischen Grafiken. Das Matplotlib -Paket ist die Grundlage des Seeborn -Moduls. Um die Statistik- und Regressionsanalyse zu visualisieren, verwenden wir die Regplot () -Funktion.

Um das Regressionsmodell zu bewerten, gibt es viele andere miteinander verbundene widersprüchliche Ansätze. Immer wenn der vorhergesagte Ausgang sowohl ein kontinuierlicher als auch ein kumulativer Wert ist, wird er als Vorhersagemodell bezeichnet. Es können zahlreiche andere Ansätze verwendet werden. Das grundlegendste davon ist das lineare Modell. Es integriert die Werte in den optimalen höherdimensionalen Raum, der alle Eckpunkte durchläuft. Die Funktion von RegPlot () wird verwendet, um die Regressionsdiagramme zu erstellen.

Die Regressionsanalyse ist eine Technik, die zur Bewertung der Assoziationen zwischen einem oder mehreren unabhängigen Faktoren oder Prädiktoren und den abhängigen Attributen oder Kovariaten verwendet wird. Die Variationen der Anforderungen an die Korrelation zu Modifikationen in spezifischen Determinanten werden durch die Regressionsanalyse analysiert. Die deklarativen Anforderung der Kriterien hängt von den Indikatoren ab, die den neuen Wert der abhängigen Attribute ergeben, wenn die Datenpunkte aktualisiert werden. Bewertung der Intensität der Kovariaten, der Vorwegnahme eines Ergebnisses und der Schätzung sind die drei wichtigen Anwendungen eines Regressionsmodells.

Beispiel 1

In diesem Schritt verwenden wir die RegPLOT () -Methode, um das Regressionsdiagramm des Datenrahmens „MPG“ zu zeichnen,.

Importieren Sie Seeborn als SNS
Matplotlib importieren.Pyplot als PLT
Daten = SNS.load_dataset ("mpg")
sns.RegPlot (x = "mpg",
y = "Beschleunigung",
Daten = Daten)
PLT.zeigen()

Zu Beginn des Programms haben wir die erforderlichen Rahmenbedingungen Seeborn und Matplotlib importiert.Pyplot. Seeborn ist ein Python -Modul zum Erstellen numerischer Visuals. Es ist effektiv mit der Matplotlib -Bibliothek korreliert. Die SeaBorn -Bibliothek unterstützt Benutzer beim Zugriff auf und bewertet die Daten. Zu den am häufigsten verwendeten Modulen für die Datenanalyse gehört Matplotlib. Diese Bibliothek ist ein plattformübergreifendes Paket, das zweidimensionale Diagramme mit einem Datenbereich erstellt. Es enthält eine Schnittstelle zum Integrieren von Grafiken in das grafische Rahmen von Python basierend auf Anwendungen.

Hier erhalten wir einen Datensatz von „MPG“, indem wir die Methode load_dataset () anwenden. Diese Methode stammt aus der SeaBorn -Bibliothek. Die Regplot () -Funktion wird verwendet, um die Regressionsdiagramme zu zeichnen. Das Seeborn -Modul enthält die Regplot () -Funktion. Diese Methode enthält drei Parameter. Die x-Achse des Histogramms enthält die Werte von MPG. Während die y-Achse des Regressionsdiagramms die Werte der Beschleunigung enthält. Am Ende verwenden wir die PLT.show () Funktion zur Darstellung des Diagramms.

Beispiel 2

Eine weitere Visualisierungsmethode zur Aufteilung des Regressionsdiagramms ist die Anwendung der RegPlot () -Methode. Hier verwenden wir diese Methode im Datensatz „Titanic“.

Importieren Sie Seeborn als SNS
Matplotlib importieren.Pyplot als PLT
Daten = SNS.load_dataset ("titanic")
sns.RegPlot (x = "Alter",
y = "Fahrpreis",
Daten = Daten,
Dropna = true)
PLT.zeigen()

Zunächst integrieren wir die Header -Dateien. Die Seeborn -Bibliothek ist als SNS und Matplotlib integriert.Pyplot ist als PLT integriert. Im nächsten Schritt laden wir den erforderlichen Datenrahmen, sodass wir die Methode load_dataset () anwenden. Diese Funktion enthält den Parameter „Titanic“, wie wir den Datensatz der Titanic haben möchten. Das Seeborn -Paket enthält die Funktion von load_dataset (). Im folgenden Schritt verwenden wir die Regplot () -Funktion. Diese Funktion erstellt die Regression visuell des titanischen Datensatzes. Die Funktion enthält unterschiedliche Argumente, einschließlich der Daten, des Wertes der X-Achse, der y-Achse, der Daten und der Dropna.

Hier geben wir den Wert des „Dropna“ -attributs an. Indem wir den Parameter „Dropna“ auf True angeben, können wir eine Krümmung in ein Diagramm einfügen. Die x-Achse der Regressionskarte wird als „Alter“ bezeichnet und die y-Achse wird als „Tarif“ bezeichnet. Die plt.Show () wird angewendet, um die resultierende Grafik zu veranschaulichen.

Beispiel 3

Die RegPlot () -Methode der Seeborn -Bibliothek kann auch verwendet werden, um ein Regressionsdiagramm zu erstellen. In diesem Fall erstellen wir ein Regressionsdiagramm des Datensatzes „Übung“.

Importieren Sie Seeborn als SNS
Matplotlib importieren.Pyplot als PLT
Daten = SNS.load_dataset ("Übung")
sns.RegPlot (x = "id",
y = "Puls",
Daten = Daten)
PLT.zeigen()

Hier stellen wir die wesentlichen Bibliotheken vor, Seeborn als SNS und Matplotlib.Pyplot als PLT. Wir wenden die Funktion load_dataset () des Seeborn -Moduls an, um die "Übungs" -Daten zu erfassen. Die gesammelten Daten werden im Attribut „Daten“ gespeichert. Das Regressionsdiagramm wird unter Verwendung der RegPlot () -Methode erstellt. Diese Methode findet sich im Seeborn -Paket. Diese Methode hat eine Variable, die ID, Impuls und Daten des Diagramms darstellt. Um die Handlung darzustellen, verwenden wir die PLT.show () Methode.

Beispiel 4

In diesem Fall gibt die Regplolot () -Methode einen Datensatz von „Aufmerksamkeit“ und Werte sowohl der X-Achse als auch der y-Achse an.

Importieren Sie Seeborn als SNS
Matplotlib importieren.Pyplot als PLT
Daten = SNS.Load_dataset ("Achtung")
sns.RegPlot (x = "Lösungen",
y = "Punktzahl",
Daten = Daten)
PLT.zeigen()

Wir beginnen mit der Integration der Pakete SNS und PLT. Die Seeborn -Bibliothek wird als SNS eingebaut. Matplotlib wird verwendet, um PLT zu integrieren. Wir holen jetzt den entsprechenden Datensatz ab. Infolgedessen verwenden wir die Funktion load_dataset (). Wenn wir eine Datenbank mit Aufmerksamkeit wünschen, hat diese Methode ein "Aufmerksamkeits" -Argument. Die Methode load_dataset () ist Teil des SeaBorn -Pakets.

Danach wird die Regplolot () -Methode des Seeborn -Moduls angewendet. Dieses Modul erstellt die Regressionsdiagramme. Die Funktion nimmt die verschiedenen Parameter wie Daten, X-Achsen und Y-Achse-Wert an. Die X-Achse der Regressionskarte ist als „Lösungen“ gekennzeichnet und die y-Achse wird als „Punktzahl“ markiert. Das erhaltene Regressionsdiagramm wird dann unter Verwendung der PLT visualisiert.show () Funktion.

Abschluss

In diesem Artikel sprachen wir über die zahlreichen Methoden zur Erstellung der Regressionsplotten in Seaborn. Wir haben die Regplot () -Methode verwendet, um die Regressionsdiagramme zu zeichnen. Darüber hinaus haben wir Regressionsgraphen der verschiedenen eingebauten Datensätze von Seeborn gezeichnet. Die Regressionsvisualisierungen im Seeborn -Paket sind ausschließlich so konzipiert, dass sie visuelle Hilfe für die Hervorhebung der Funktionen aus dem Datensatz während der Datenerforschung leisten können. Wie der Name schon sagt, zeichnet eine Regressionskarte eine Regressionsgrenze zwischen zwei Variablen und hilft bei der Darstellung der zugrunde liegenden Korrelationskoeffizienten.