Regplot de Seaborn

SeaBorn est une bibliothèque d'analyses visuelles basée sur Matplotlib. Il a un cadre de haut niveau pour définir les graphiques analytiques visuellement attrayants. L'ensemble Matplotlib est le fondement du module SeaBorn. Pour visualiser l'analyse des statistiques et de la régression, nous utilisons la fonction Regplot ().

Pour évaluer le modèle de régression, il existe de nombreuses autres approches contradictoires interdépendantes. Chaque fois que la sortie prévue est une valeur continue et cumulative, elle est appelée modèle de prédiction. De nombreuses autres approches peuvent être utilisées. Le plus élémentaire est le modèle linéaire. Il intègre les valeurs à l'espace dimensionnel supérieur optimal qui passe par tous les sommets. La fonction Regplot () est utilisée pour créer les tracés de régression.

L'analyse de régression est une technique utilisée pour évaluer les associations entre un ou plusieurs facteurs ou prédicteurs indépendants et les attributs dépendants ou covariables. Les variations des exigences en matière de corrélation avec les modifications de déterminants spécifiques sont analysées par l'analyse de régression. L'exigence déclarative des critères dépend des indicateurs, qui donnent la nouvelle valeur des attributs dépendants chaque fois que les points de données sont mis à jour. Évaluer l'intensité des covariables, anticiper un résultat et l'estimation sont les trois applications importantes d'un modèle de régression.

Exemple 1

Dans cette étape, nous utilisons la méthode Regplot () pour dessiner le tracé de régression du cadre de données «MPG».

Importer Seaborn comme SNS
Importer Matplotlib.pypllot comme plt
données = SNS.load_dataset ("mpg")
sns.regplot (x = "mpg",
y = "accélération",
données = données)
PLT.montrer()

Au début du programme, nous avons importé les cadres requis, SeaBorn et Matplotlib.pypllot. SeaBorn est un module Python pour créer des visuels numériques. Il est effectivement corrélé à la bibliothèque Matplotlib. La bibliothèque Seaborn aide les utilisateurs à accéder et à évaluer les données. Parmi les modules les plus largement utilisés pour l'analyse des données figurent Matplotlib. Cette bibliothèque est un package multiplateforme qui crée des graphiques bidimensionnels à l'aide d'une gamme de données. Il comprend une interface pour intégrer les graphiques dans Python Graphical Framework basé sur les applications.

Ici, nous obtenons un ensemble de données de «MPG» en appliquant la méthode Load_Dataset (). Cette méthode est tirée de la bibliothèque Seaborn. La fonction Regplot () est utilisée pour dessiner les parcelles de régression. Le module SeaBorn contient la fonction Regplot (). Cette méthode contient trois paramètres. L'axe x de l'histogramme contient les valeurs de MPG. Tandis que l'axe y du tracé de régression détient les valeurs d'accélération. En fin de compte, nous utilisons le PLT.show () Fonction pour représenter l'intrigue.

Exemple 2

Une autre méthode de visualisation pour tracer le tracé de régression est en appliquant la méthode Regplot (). Ici, nous utilisons cette méthode sur l'ensemble de données «Titanic».

Importer Seaborn comme SNS
Importer Matplotlib.pypllot comme plt
données = SNS.load_dataset ("titanic")
sns.regplot (x = "âge",
y = "tarif",
données = données,
dropna = true)
PLT.montrer()

Tout d'abord, nous intégrons les fichiers d'en-tête. La bibliothèque Seaborn est intégrée sous forme de SNS et Matplotlib.pypllot est intégré comme plt. Dans l'étape suivante, nous chargeons la trame de données requise, nous appliquons la méthode Load_dataset (). Cette fonction contient le paramètre «Titanic» car nous voulons l'ensemble de données du Titanic. Le paquet Seaborn contient la fonction de Load_dataset (). Dans l'étape suivante, nous utilisons la fonction Regplot (). Cette fonction crée le visuel de régression de l'ensemble de données titanesque. La fonction contient différents arguments, y compris les données, la valeur de l'axe X, de l'axe des y, des données et de la dropna.

Ici, nous fournissons la valeur de l'attribut «dropna». En spécifiant le paramètre «dropna» à true, nous pouvons insérer une courbure à un tracé. L'axe des x de la carte de régression est étiqueté comme «l'âge» et l'axe y est étiqueté comme «tarif». Le plt.show () La méthode est appliquée pour illustrer le graphique résultant.

Exemple 3

La méthode Regplot () de la bibliothèque Seaborn peut également être utilisée pour créer un tracé de régression. Dans ce cas, nous créons un tracé de régression de l'ensemble de données «exercice».

Importer Seaborn comme SNS
Importer Matplotlib.pypllot comme plt
données = SNS.load_dataset ("exercice")
sns.regplot (x = "id",
y = "Pulse",
données = données)
PLT.montrer()

Ici, nous présentons les bibliothèques essentielles, Seaborn sous le nom de SNS et Matplotlib.pypllot comme plt. Nous appliquons la fonction LOAD_DATASET () du module SeaBorn pour acquérir les données «d'exercice». Les données recueillies sont enregistrées dans l'attribut «Data». Le tracé de régression est créé en utilisant la méthode Regplot (). Cette méthode se trouve dans le paquet Seaborn. Cette méthode a une variable qui représente l'ID, l'impulsion et les données du graphique. Enfin, pour représenter l'intrigue, nous utilisons le PLT.Méthode Show ().

Exemple 4

Dans ce cas, la méthode Regplot () spécifie un ensemble de données «d'attention» et les valeurs de l'axe X et de l'axe Y.

Importer Seaborn comme SNS
Importer Matplotlib.pypllot comme plt
données = SNS.load_dataset ("attention")
sns.regplot (x = "solutions",
y = "score",
données = données)
PLT.montrer()

Nous commençons par intégrer les packages SNS et PLT. La bibliothèque Seaborn est incorporée sous forme de SNS. Matplotlib est utilisé pour intégrer PLT. Nous récupérons maintenant l'ensemble de données approprié. En conséquence, nous utilisons la fonction load_dataset (). Si nous voulons une base de données d'attention, cette méthode a un argument «d'attention». La méthode Load_dataset () fait partie du package Seaborn.

Après cela, la méthode Regplot () du module SeaBorn est appliquée. Ce module crée le tracé de régression. La fonction prend plusieurs paramètres tels que les données, la valeur de l'axe X et la valeur de l'axe y. L'axe X de la carte de régression est marqué comme des «solutions» et l'axe y est marqué comme un «score». Le tracé de régression obtenu est ensuite visualisé en utilisant le PLT.Fonction show ().

Conclusion

Dans cet article, nous avons parlé des nombreuses méthodes de création des parcelles de régression dans SeaBorn. Nous avons utilisé la méthode Regplot () pour dessiner les parcelles de régression. De plus, nous avons dessiné des graphiques de régression des différents ensembles de données intégrés de SeaBorn. Les visualisations de régression dans le package Seaborn sont conçues exclusivement pour fournir une aide visuelle pour mettre en évidence les fonctionnalités de l'ensemble des données pendant l'exploration des données. Comme son nom l'indique, une carte de régression établit une frontière de régression entre deux variables et un sida dans la représentation des coefficients de corrélation sous-jacents.