线性回归模型中的常见图表
近期课堂上学习了线性回归模型,同时也读到了很好的一篇文章,尝试对于里面的部分内容进行复现说明,简单总结,附上链接:https://mp.weixin.qq.com/s/qAzbL3YY30X7W9NkL9hb0A
线性趋势线图

线性趋势线图用于可视化数据集中自变量和因变量之间的线性关系,以及线性回归模型拟合的效果
- 反映线性关系
- 反映拟合效果
1 |
|
残差图

残差图:残差是预测值和真实值之间的差值,残差图是残差和自变量之间的散点图,残差图可以反映线性回归模型的拟合效果,如果残差图没有集中,说明模型可能存在偏差,需要调整模型参数。
- 在理想情况下,残差应该随机地分布在横轴上,没有明显的模式
1 |
|
正态概率图

正态概率图(Normal probability plot)是一种用于检验数据是否符合正态分布的图表
- 这里检验模型的残差是否符合正态分布
1 |
|
学习曲线

学习曲线(Learning
curve)是一种展示模型在训练集和验证集上表现随训练样本数量变化的图表。它通常将训练集和验证集的误差(如均方误差)或准确率作为纵轴,训练样本数量作为横轴,可以帮助我们分析模型的拟合情况
和泛化能力
。
在线性回归中,学习曲线可以帮助我们判断模型是否过拟合或欠拟合
。 当模型在训练集上表现良好但在验证集上表现较差时,可能存在过拟合;而当模型在两个集合上表现都较差时,可能存在欠拟合。通过观察学习曲线,可以调整模型的复杂度或者增加训练样本数量来改善模型的表现。
- 学习曲线可以帮助我们分析模型在不同训练样本数量下的表现,进而判断模型是否过拟合或欠拟合
1 |
|
还有一些感觉用处不大就不详细学习了,日后有需要再看
线性回归模型中的常见图表
http://jrhu0048.github.io/2024/09/11/ji-qi-xue-xi/xian-xing-hui-gui-mo-xing-ke-shi-hua-zong-jie/