Python數(shù)學(xué)建模StatsModels統(tǒng)計回歸可視化示例詳解
1、如何認識可視化？
需要指出的是，雖然不同繪圖工具包的功能、效果會有差異，但在常用功能上相差并不是很大。與選擇哪種繪圖工具包相比，更重要的是針對不同的問題，需要思考選擇什么方式、何種圖形去展示分析過程和結(jié)果。換句話說，可視化只是手段和形式，手段要為目的服務(wù)，形式要為內(nèi)容服務(wù)，這個關(guān)系一定不能顛倒了。
因此，可視化是伴隨著分析問題、解決問題的過程而進行思考、設(shè)計和實現(xiàn)的，而且還會影響問題的分析和解決過程：
- 可視化工具是數(shù)據(jù)探索的常用手段
回歸分析是基于數(shù)據(jù)的建模，在導(dǎo)入數(shù)據(jù)后首先要進行數(shù)據(jù)探索，對給出的或收集的數(shù)據(jù)有個大概的了解，主要包括數(shù)據(jù)質(zhì)量探索和數(shù)據(jù)特征分析。數(shù)據(jù)準(zhǔn)備中的異常值分析，往往就需要用到箱形圖（Boxplot）。對于數(shù)據(jù)特征的分析，經(jīng)常使用頻率分布圖或頻率分布直方圖（Hist），餅圖（Pie）。
- 分析問題需要可視化工具的幫助
對于問題中變量之間的關(guān)系，有些可以通過定性分析來確定或猜想，需要進一步的驗證，有些復(fù)雜關(guān)系難以由分析得到，則要通過對數(shù)據(jù)進行初步的相關(guān)分析來尋找線索。在分析問題、嘗試求解的過程中，雖然可以得到各種統(tǒng)計量、特征值，但可視化圖形能提供更快捷、直觀、豐富的信息，對于發(fā)現(xiàn)規(guī)律、產(chǎn)生靈感很有幫助。
- 解題過程需要可視化工具的支持
在解決問題的過程中，也經(jīng)常會希望盡快獲得初步的結(jié)果、總體的評價，以便確認解決問題的思路和方法是否正確。這些情況下，我們更關(guān)心的往往是繪圖的便捷性，圖形的表現(xiàn)效果反而是次要的。
- 可視化是結(jié)果發(fā)布的重要內(nèi)容
問題解決之后需要對結(jié)果進行呈現(xiàn)或發(fā)表，這時則需要結(jié)合表達的需要，特別是表達的邏輯框架，設(shè)計可視化的方案，選擇適當(dāng)?shù)膱D形種類和形式，準(zhǔn)備圖形數(shù)據(jù)。在此基礎(chǔ)上，才談得上選擇何種繪圖工具包，如何呈現(xiàn)更好的表現(xiàn)效果。
2、StatsModels 繪圖工具包 （Graphics）
Statsmodels 本身支持繪圖功能（Graphics），包括擬合圖（Fit Plots）、箱線圖（Box Plots）、相關(guān)圖（Correlation Plots）、函數(shù)圖（Functional Plots）、回歸圖（Regression Plots）和時間序列圖（Time Series Plots）。
Statsmodels 內(nèi)置繪圖功能 Graphics 的使用似乎并不流行，網(wǎng)絡(luò)上的介紹也不多。分析其原因，一是 Graphics 做的并不太好用，文檔和例程不友好，二是學(xué)習(xí)成本高：能用通用的可視化包實現(xiàn)的功能，何必還要花時間去學(xué)習(xí)一個專用的 Graphics？
下面是 Statsmodels 官方文檔的例程，最簡單的單變量線性回歸問題，繪制樣本數(shù)據(jù)散點圖和擬合直線圖。Graphics 提供了將擬合與繪圖合二為一的函數(shù) qqline()，但是為了繪制出樣本數(shù)據(jù)則要調(diào)用 Matplotlib 的 matplotlib.pyplot.scatter()，所以…
import statsmodels.api as sm import matplotlib.pyplot as plt from statsmodels.graphics.gofplots import qqline foodexp = sm.datasets.engel.load(as_pandas=False) x = foodexp.exog y = foodexp.endog ax = plt.subplot(111) plt.scatter(x, y) qqline(ax, "r", x, y) plt.show() # = 關(guān)注 Youcans，分享原創(chuàng)系列 https://blog.csdn.net/youcans =
下圖看起來有點象 Seaborn中的 relplot，但把官方文檔研究了半天也沒搞明白，只好直接分析例程和數(shù)據(jù)，最后的結(jié)論是：基本沒啥用。
這大概就是更多用戶直接選擇 Python 的可視化工具包進行繪圖的原因吧。最常用的當(dāng)屬 Matplotlib 無疑，而在統(tǒng)計回歸分析中 Seaborn 繪圖工具包則更好用更炫酷。
3、Matplotlib 繪圖工具包
Matplotlib 繪圖包就不用介紹了。Matplotlib 用于 Statsmodels 可視化，最大的優(yōu)勢在于Matplotlib 誰都會用，實現(xiàn)統(tǒng)計回歸的基本圖形的也很簡單。如果需要復(fù)雜的圖形，炫酷的效果，雖然 Matplotlib 原理上也能實現(xiàn)，但往往需要比較繁瑣的數(shù)據(jù)準(zhǔn)備，并不常用的函數(shù)和參數(shù)設(shè)置。既然學(xué)習(xí)成本高，出錯概率大，就沒必要非 Matplotlib 不可了。
Matplotlib 在統(tǒng)計回歸問題中經(jīng)常用到的是折線圖、散點圖、箱線圖和直方圖。這也是 Matplotlib 最常用的繪圖形式，本系列文中也有相關(guān)例程，本文不再具體介紹相關(guān)函數(shù)的用法。
例如，在本系列《Python學(xué)習(xí)筆記-StatsModels 統(tǒng)計回歸（2）線性回歸》的例程和附圖，不僅顯示了原始檢測數(shù)據(jù)、理論模型數(shù)據(jù)、擬合模型數(shù)據(jù)，而且給出了置信區(qū)間的上下限，看起來還是比較“高級”的。但是，如果把置信區(qū)間的邊界線隱藏起來，圖形馬上就顯得不那么“高級”，比較“平?！绷恕@就是選擇什么方式、何種圖形進行展示的區(qū)別。
由此所反映的問題，還是表達的邏輯和數(shù)據(jù)的準(zhǔn)備：要表達什么內(nèi)容，為什么要表達這個內(nèi)容，有沒有相應(yīng)的數(shù)據(jù)？問題的關(guān)鍵并不是什么工具包或什么函數(shù)，更不是什么顏色什么線性，而是有沒有置信區(qū)間上下限的數(shù)據(jù)。
如果需要復(fù)雜的圖形，炫酷的效果，雖然 Matplotlib 原理上也能實現(xiàn)，但往往需要比較繁瑣的數(shù)據(jù)準(zhǔn)備，使用并不常用的函數(shù)和參數(shù)設(shè)置。學(xué)習(xí)成本高，出錯概率大，就沒必要非 Matplotlib 不可了。
4、Seaborn 繪圖工具包
Seaborn 是在 Matplotlib 上構(gòu)建的，支持 Scipy 和 Statamodels 的統(tǒng)計模型可視化，可以實現(xiàn)：
- 賞心悅目的內(nèi)置主題及顏色主題
- 展示和比較 一維變量、二維變量 各變量的分布情況
- 可視化 線性回歸模型中的獨立變量和關(guān)聯(lián)變量
- 可視化 矩陣數(shù)據(jù)，通過聚類算法探究矩陣間的結(jié)構(gòu)
- 可視化 時間序列，展示不確定性
- 復(fù)雜的可視化，如在分割區(qū)域制圖
Seaborn 繪圖工具包以數(shù)據(jù)可視化為中心來挖掘與理解數(shù)據(jù)，本身就帶有一定的統(tǒng)計回歸功能，而且簡單好用，特別適合進行定性分析、初步評價。
下圖給出了幾種常用的 Seaborn 圖形，分別是帶擬合線的直方圖（distplot）、箱線圖（boxplot）、散點圖（scatterplot）和回歸圖（regplot），后文給出了對應(yīng)的程序。
實際上，這些圖形用 StatsModels Graphics、Matplotlib 也可以繪制，估計任何繪圖包都可以實現(xiàn)。那么，為什么還要推薦 Seaborn 工具包，把這些圖歸入 Seaborn 的實例呢？我們來看看實現(xiàn)的例程就明白了：簡單，便捷，舒服。不需要數(shù)據(jù)準(zhǔn)備和變換處理，直接調(diào)用變量數(shù)據(jù)，自帶回歸功能；不需要復(fù)雜的參數(shù)設(shè)置，直接給出舒服的圖形，自帶圖形風(fēng)格設(shè)計。
fig1, axes = plt.subplots(2, 2, figsize=(10, 8)) # 創(chuàng)建一個 2行 2列的畫布
sns.distplot(df['price'], bins=10, ax=axes[0, 0]) # axes[0,1] 左上圖
sns.boxplot(df['price'], df['sales'], data=df, ax=axes[0, 1]) # axes[0,1] 右上圖
sns.scatterplot(x=df['advertise'], y=df['sales'], ax=axes[1, 0]) # axes[1,0] 左下圖
sns.regplot(x=df['difference'], y=df['sales'], ax=axes[1, 1]) # axes[1,1] 右下圖
plt.show()
5、多元回歸案例分析（Statsmodels）
5.1 問題描述
數(shù)據(jù)文件中收集了 30個月本公司牙膏銷售量、價格、廣告費用及同期的市場均價。
?。?）分析牙膏銷售量與價格、廣告投入之間的關(guān)系，建立數(shù)學(xué)模型；
（2）估計所建立數(shù)學(xué)模型的參數(shù)，進行統(tǒng)計分析；
?。?）利用擬合模型，預(yù)測在不同價格和廣告費用下的牙膏銷售量。
本問題及數(shù)據(jù)來自：姜啟源、謝金星，數(shù)學(xué)模型（第 3版），高等教育出版社。
5.2 問題分析
本案例在Python數(shù)學(xué)建模StatsModels統(tǒng)計回歸模型數(shù)據(jù)的準(zhǔn)備中就曾出現(xiàn)，文中還提到該文的例程并不是最佳的求解方法和結(jié)果。
這是因為該文例程是直接將所有給出的特征變量（銷售價格、市場均價、廣告費、價格差）都作為自變量，直接進行線性回歸。謝金星老師說，這不科學(xué)?？茖W(xué)的方法是先分析這些特征變量對目標(biāo)變量（銷量）的影響，然后選擇能影響目標(biāo)的特征變量，或者對特征變量進行適當(dāng)變換（如：平方、對數(shù)）后，再進行線性回歸。以下參考視頻教程中的解題思路進行分析。
觀察數(shù)據(jù)分布特征
案例問題的數(shù)據(jù)量很小，數(shù)據(jù)完整規(guī)范，實際上并不需要進行數(shù)據(jù)探索和數(shù)據(jù)清洗，不過可以看一下數(shù)據(jù)的分布特性。例程和結(jié)果如下，我是沒看出什么名堂來，與正態(tài)分布的差距都不小。
# 數(shù)據(jù)探索：分布特征
fig1, axes = plt.subplots(2, 2, figsize=(10, 8)) # 創(chuàng)建一個 2行 2列的畫布
sns.distplot(dfData['price'], bins=10, ax=axes[0,0]) # axes[0,1] 左上圖
sns.distplot(dfData['average'], bins=10, ax=axes[0,1]) # axes[0,1] 右上圖
sns.distplot(dfData['advertise'], bins=10, ax=axes[1,0]) # axes[1,0] 左下圖
sns.distplot(dfData['difference'], bins=10, ax=axes[1,1]) # axes[1,1] 右下圖
plt.show()
觀察數(shù)據(jù)間的相關(guān)性
既然將所有特征變量都作為自變量直接進行線性回歸不科學(xué)，就要先對每個自變量與因變量的關(guān)系進行考察。
# 數(shù)據(jù)探索：相關(guān)性
fig2, axes = plt.subplots(2, 2, figsize=(10, 8)) # 創(chuàng)建一個 2行 2列的畫布
sns.regplot(x=dfData['price'], y=dfData['sales'], ax=axes[0,0])
sns.regplot(x=dfData['average'], y=dfData['sales'], ax=axes[0,1])
sns.regplot(x=dfData['advertise'], y=dfData['sales'], ax=axes[1,0])
sns.regplot(x=dfData['difference'], y=dfData['sales'], ax=axes[1,1])
plt.show()
# = 關(guān)注 Youcans，分享原創(chuàng)系列 https://blog.csdn.net/youcans =
單變量線性回歸圖還是很有價值的。首先上面兩圖（sales-price，sales-average）的數(shù)據(jù)點分散，與回歸直線差的太遠，說明與銷量的相關(guān)性小——謝金星老師講課中也是這樣分析的。其次下面兩圖（sales-advertise，sales-difference）的線性度較高，至少比上圖好多了，回歸直線和置信區(qū)間也反映出線性關(guān)系。因此，可以將廣告費（advertise）、價格差（difference）作為自變量建模進行線性回歸。
進一步地，有人觀察散點圖后認為銷量與廣告費的關(guān)系（sales-advertise）更接近二次曲線，對此也可以通過回歸圖對 sales 與 advertise 進行高階多項式回歸擬合，結(jié)果如下圖。
建模與擬合
模型1：將所有特征變量都作為自變量直接進行線性回歸，這就是《模型數(shù)據(jù)的準(zhǔn)備》中的方案。
模型 2：選擇價格差（difference）、廣告費（advertise）作為自變量建模進行線性回歸。
模型 3：選擇價格差（difference）、廣告費（advertise）及廣告費的平方項作為作為自變量建模進行線性回歸。
下段給出了使用不同模型進行線性回歸的例程和運行結(jié)果。對于這個問題的分析和結(jié)果討論，謝金星老師在視頻中講的很詳細，網(wǎng)絡(luò)上也有不少相關(guān)文章。由于本文主要講可視化，對結(jié)果就不做詳細討論了。
6、Python 例程（Statsmodels）
6.1 問題描述
數(shù)據(jù)文件中收集了 30個月本公司牙膏銷售量、價格、廣告費用及同期的市場均價。
?。?）分析牙膏銷售量與價格、廣告投入之間的關(guān)系，建立數(shù)學(xué)模型；
（2）估計所建立數(shù)學(xué)模型的參數(shù)，進行統(tǒng)計分析；
?。?）利用擬合模型，預(yù)測在不同價格和廣告費用下的牙膏銷售量。
6.2 Python 程序
# LinearRegression_v4.py
# v4.0: 分析和結(jié)果的可視化
# 日期：2021-05-08
# Copyright 2021 YouCans, XUPT
import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.sandbox.regression.predstd import wls_prediction_std
import matplotlib.pyplot as plt
import seaborn as sns
# 主程序 = 關(guān)注 Youcans，分享原創(chuàng)系列 https://blog.csdn.net/youcans =
def main():
# 讀取數(shù)據(jù)文件
readPath = "../data/toothpaste.csv" # 數(shù)據(jù)文件的地址和文件名
dfOpenFile = pd.read_csv(readPath, header=0, sep=",") # 間隔符為逗號，首行為標(biāo)題行
# 準(zhǔn)備建模數(shù)據(jù)：分析因變量 Y(sales) 與 自變量 x1~x4 的關(guān)系
dfData = dfOpenFile.dropna() # 刪除含有缺失值的數(shù)據(jù)
sns.set_style('dark')
# 數(shù)據(jù)探索：分布特征
fig1, axes = plt.subplots(2, 2, figsize=(10, 8)) # 創(chuàng)建一個 2行 2列的畫布
sns.distplot(dfData['price'], bins=10, ax=axes[0,0]) # axes[0,1] 左上圖
sns.distplot(dfData['average'], bins=10, ax=axes[0,1]) # axes[0,1] 右上圖
sns.distplot(dfData['advertise'], bins=10, ax=axes[1,0]) # axes[1,0] 左下圖
sns.distplot(dfData['difference'], bins=10, ax=axes[1,1]) # axes[1,1] 右下圖
plt.show()
# 數(shù)據(jù)探索：相關(guān)性
fig2, axes = plt.subplots(2, 2, figsize=(10, 8)) # 創(chuàng)建一個 2行 2列的畫布
sns.regplot(x=dfData['price'], y=dfData['sales'], ax=axes[0,0])
sns.regplot(x=dfData['average'], y=dfData['sales'], ax=axes[0,1])
sns.regplot(x=dfData['advertise'], y=dfData['sales'], ax=axes[1,0])
sns.regplot(x=dfData['difference'], y=dfData['sales'], ax=axes[1,1])
plt.show()
# 數(shù)據(jù)探索：考察自變量平方項的相關(guān)性
fig3, axes = plt.subplots(1, 2, figsize=(10, 4)) # 創(chuàng)建一個 2行 2列的畫布
sns.regplot(x=dfData['advertise'], y=dfData['sales'], order=2, ax=axes[0]) # order=2, 按 y=b*x**2 回歸
sns.regplot(x=dfData['difference'], y=dfData['sales'], order=2, ax=axes[1]) # YouCans, XUPT
plt.show()
# 線性回歸：分析因變量 Y(sales) 與 自變量 X1(Price diffrence)、X2(Advertise) 的關(guān)系
y = dfData['sales'] # 根據(jù)因變量列名 list，建立 因變量數(shù)據(jù)集
x0 = np.ones(dfData.shape[0]) # 截距列 x0=[1,...1]
x1 = dfData['difference'] # 價格差，x4 = x1 - x2
x2 = dfData['advertise'] # 廣告費
x3 = dfData['price'] # 銷售價格
x4 = dfData['average'] # 市場均價
x5 = x2**2 # 廣告費的二次元
x6 = x1 * x2 # 考察兩個變量的相互作用
# Model 1：Y = b0 + b1*X1 + b2*X2 + e
# # 線性回歸：分析因變量 Y(sales) 與 自變量 X1(Price diffrence)、X2(Advertise) 的關(guān)系
X = np.column_stack((x0,x1,x2)) # [x0,x1,x2]
Model1 = sm.OLS(y, X) # 建立 OLS 模型: Y = b0 + b1*X1 + b2*X2 + e
result1 = Model1.fit() # 返回模型擬合結(jié)果
yFit1 = result1.fittedvalues # 模型擬合的 y 值
prstd, ivLow, ivUp = wls_prediction_std(result1) # 返回標(biāo)準(zhǔn)偏差和置信區(qū)間
print(result1.summary()) # 輸出回歸分析的摘要
print("\nModel1: Y = b0 + b1*X + b2*X2")
print('Parameters: ', result1.params) # 輸出：擬合模型的系數(shù)
# # Model 2：Y = b0 + b1*X1 + b2*X2 + b3*X3 + b4*X4 + e
# 線性回歸：分析因變量 Y(sales) 與 自變量 X1~X4 的關(guān)系
X = np.column_stack((x0,x1,x2,x3,x4)) #[x0,x1,x2,...,x4]
Model2 = sm.OLS(y, X) # 建立 OLS 模型: Y = b0 + b1*X1 + b2*X2 + b3*X3 + e
result2 = Model2.fit() # 返回模型擬合結(jié)果
yFit2 = result2.fittedvalues # 模型擬合的 y 值
prstd, ivLow, ivUp = wls_prediction_std(result2) # 返回標(biāo)準(zhǔn)偏差和置信區(qū)間
print(result2.summary()) # 輸出回歸分析的摘要
print("\nModel2: Y = b0 + b1*X + ... + b4*X4")
print('Parameters: ', result2.params) # 輸出：擬合模型的系數(shù)
# # Model 3：Y = b0 + b1*X1 + b2*X2 + b3*X2**2 + e
# # 線性回歸：分析因變量 Y(sales) 與 自變量 X1、X2 及 X2平方（X5）的關(guān)系
X = np.column_stack((x0,x1,x2,x5)) # [x0,x1,x2,x2**2]
Model3 = sm.OLS(y, X) # 建立 OLS 模型: Y = b0 + b1*X1 + b2*X2 + b3*X2**2 + e
result3 = Model3.fit() # 返回模型擬合結(jié)果
yFit3 = result3.fittedvalues # 模型擬合的 y 值
prstd, ivLow, ivUp = wls_prediction_std(result3) # 返回標(biāo)準(zhǔn)偏差和置信區(qū)間
print(result3.summary()) # 輸出回歸分析的摘要
print("\nModel3: Y = b0 + b1*X1 + b2*X2 + b3*X2**2")
print('Parameters: ', result3.params) # 輸出：擬合模型的系數(shù)
# 擬合結(jié)果繪圖
fig, ax = plt.subplots(figsize=(8,6)) # YouCans, XUPT
ax.plot(range(len(y)), y, 'b-.', label='Sample') # 樣本數(shù)據(jù)
ax.plot(range(len(y)), yFit3, 'r-', label='Fitting') # 擬合數(shù)據(jù)
# ax.plot(range(len(y)), yFit2, 'm--', label='fitting') # 擬合數(shù)據(jù)
ax.plot(range(len(y)), ivUp, '--',color='pink',label="ConfR") # 95% 置信區(qū)間 上限
ax.plot(range(len(y)), ivLow, '--',color='pink') # 95% 置信區(qū)間 下限
ax.legend(loc='best') # 顯示圖例
plt.title('Regression analysis with sales of toothpaste')
plt.xlabel('period')
plt.ylabel('sales')
plt.show()
return
if __name__ == '__main__':
main()
6.3 程序運行結(jié)果：
OLS Regression Results
==============================================================================
Dep. Variable: sales R-squared: 0.886
Model: OLS Adj. R-squared: 0.878
Method: Least Squares F-statistic: 105.0
Date: Sat, 08 May 2021 Prob (F-statistic): 1.84e-13
Time: 22:18:04 Log-Likelihood: 2.0347
No. Observations: 30 AIC: 1.931
Df Residuals: 27 BIC: 6.134
Df Model: 2
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const 4.4075 0.722 6.102 0.000 2.925 5.890
x1 1.5883 0.299 5.304 0.000 0.974 2.203
x2 0.5635 0.119 4.733 0.000 0.319 0.808
==============================================================================
Omnibus: 1.445 Durbin-Watson: 1.627
Prob(Omnibus): 0.486 Jarque-Bera (JB): 0.487
Skew: 0.195 Prob(JB): 0.784
Kurtosis: 3.486 Cond. No. 115.
==============================================================================
Model1: Y = b0 + b1*X + b2*X2
Parameters:
const 4.407493
x1 1.588286
x2 0.563482
OLS Regression Results
==============================================================================
Dep. Variable: sales R-squared: 0.895
Model: OLS Adj. R-squared: 0.883
Method: Least Squares F-statistic: 74.20
Date: Sat, 08 May 2021 Prob (F-statistic): 7.12e-13
Time: 22:18:04 Log-Likelihood: 3.3225
No. Observations: 30 AIC: 1.355
Df Residuals: 26 BIC: 6.960
Df Model: 3
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const 8.0368 2.480 3.241 0.003 2.940 13.134
x1 1.3832 0.288 4.798 0.000 0.791 1.976
x2 0.4927 0.125 3.938 0.001 0.236 0.750
x3 -1.1184 0.398 -2.811 0.009 -1.936 -0.300
x4 0.2648 0.199 1.332 0.195 -0.144 0.674
==============================================================================
Omnibus: 0.141 Durbin-Watson: 1.762
Prob(Omnibus): 0.932 Jarque-Bera (JB): 0.030
Skew: 0.052 Prob(JB): 0.985
Kurtosis: 2.885 Cond. No. 2.68e+16
==============================================================================
Model2: Y = b0 + b1*X + ... + b4*X4
Parameters:
const 8.036813
x1 1.383207
x2 0.492728
x3 -1.118418
x4 0.264789
OLS Regression Results
==============================================================================
Dep. Variable: sales R-squared: 0.905
Model: OLS Adj. R-squared: 0.894
Method: Least Squares F-statistic: 82.94
Date: Sat, 08 May 2021 Prob (F-statistic): 1.94e-13
Time: 22:18:04 Log-Likelihood: 4.8260
No. Observations: 30 AIC: -1.652
Df Residuals: 26 BIC: 3.953
Df Model: 3
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const 17.3244 5.641 3.071 0.005 5.728 28.921
x1 1.3070 0.304 4.305 0.000 0.683 1.931
x2 -3.6956 1.850 -1.997 0.056 -7.499 0.108
x3 0.3486 0.151 2.306 0.029 0.038 0.659
==============================================================================
Omnibus: 0.631 Durbin-Watson: 1.619
Prob(Omnibus): 0.729 Jarque-Bera (JB): 0.716
Skew: 0.203 Prob(JB): 0.699
Kurtosis: 2.362 Cond. No. 6.33e+03
==============================================================================
Model3: Y = b0 + b1*X1 + b2*X2 + b3*X2**2
Parameters:
const 17.324369
x1 1.306989
x2 -3.695587
x3 0.348612
以上就是Python數(shù)學(xué)建模StatsModels統(tǒng)計回歸可視化的詳細內(nèi)容，更多關(guān)于數(shù)學(xué)建模StatsModels統(tǒng)計回歸的資料請關(guān)注腳本之家其它相關(guān)文章！
- Python使用latexify模塊實現(xiàn)將代碼為數(shù)學(xué)公式
- Python內(nèi)置數(shù)學(xué)函數(shù)和math模塊使用指南
- 表格梳理python內(nèi)置數(shù)學(xué)模塊math分析詳解
- Python數(shù)學(xué)建模StatsModels統(tǒng)計回歸模型數(shù)據(jù)的準(zhǔn)備
- Python數(shù)學(xué)建模StatsModels統(tǒng)計回歸之線性回歸示例詳解
- python常用模塊(math itertools functools sys shutil)使用講解
- Python中非常實用的Math模塊函數(shù)教程詳解
- Python?Math數(shù)學(xué)函數(shù)常數(shù)冪和對數(shù)基礎(chǔ)應(yīng)用實例
相關(guān)文章
Python + selenium自動化環(huán)境搭建的完整步驟
這篇文章主要給大家介紹了關(guān)于Python + selenium自動化環(huán)境搭建的相關(guān)資料，文中通過圖文將實現(xiàn)的步驟一步步介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面來一起看看吧2018-05-05
string模塊主要包含關(guān)于字符串的處理函數(shù)，這篇文章主要介紹了Python中String模塊示例代碼，代碼簡單易懂，對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下2022-12-12
這篇文章主要為大家詳細介紹了python實現(xiàn)簡單的飛機大戰(zhàn)，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-05-05
解決Shell執(zhí)行python文件,傳參空格引起的問題
今天小編就為大家分享一篇解決Shell執(zhí)行python文件,傳參空格引起的問題，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-10-10
這篇文章主要介紹了幾款好用的python工具庫(小結(jié))，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-10-10
在本文中，小編給讀者們整理的一篇關(guān)于分析為什么說python適合寫爬蟲的語言的相關(guān)內(nèi)容，有興趣的朋友們可以學(xué)習(xí)下。2020-06-06
下面小編就為大家?guī)硪黄獪\談Python 對象內(nèi)存占用。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2016-07-07
這篇文章主要介紹了Python實現(xiàn)的rsa加密算法,結(jié)合完整實例形式分析了Python實現(xiàn)rsa加密算法的原理、步驟與相關(guān)操作技巧,需要的朋友可以參考下2018-01-01
python如何獲得list或numpy數(shù)組中最大元素對應(yīng)的索引
這篇文章主要介紹了python如何獲得list或numpy數(shù)組中最大元素對應(yīng)的索引，文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-11-11
基于python實現(xiàn)簡單網(wǎng)頁服務(wù)器代碼實例
這篇文章主要介紹了基于python實現(xiàn)簡單網(wǎng)頁服務(wù)器代碼實例,文中通過示例代碼介紹的非常詳細，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-09-09