Вы можете использовать следующий базовый синтаксис для построения линии наилучшего соответствия в Python:
#find line of best fit
a, b = np.polyfit (x, y, 1)
#add points to plot
plt.scatter (x, y)
#add line of best fit to plot
plt.plot (x, a\*x+b)
В следующем примере показано, как использовать этот синтаксис на практике.
Пример 1. Постройте базовую линию наилучшего соответствия в Python
В следующем коде показано, как построить базовую линию наилучшего соответствия в Python:
import numpy as np
import matplotlib.pyplot as plt
#define data
x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = np.array([2, 5, 6, 7, 9, 12, 16, 19])
#find line of best fit
a, b = np.polyfit (x, y, 1)
#add points to plot
plt.scatter (x, y)
#add line of best fit to plot
plt.plot (x, a\*x+b)
Пример 2: построение пользовательской линии наилучшего соответствия в Python
В следующем коде показано, как создать ту же линию наилучшего соответствия, что и в предыдущем примере, за исключением следующих дополнений:
- Индивидуальные цвета для точек и линии наилучшего соответствия
- Индивидуальный стиль и ширина для линии наилучшего соответствия
- Уравнение подобранной линии регрессии, отображаемое на графике
import numpy as np
import matplotlib.pyplot as plt
#define data
x = np.array([1, 2, 3, 4, 5, 6, 7, 8])
y = np.array([2, 5, 6, 7, 9, 12, 16, 19])
#find line of best fit
a, b = np.polyfit (x, y, 1)
#add points to plot
plt.scatter (x, y, color='purple')
#add line of best fit to plot
plt.plot (x, a\*x+b, color='steelblue', linestyle='--', linewidth= 2 )
#add fitted regression equation to plot
plt.text (1, 17, 'y = '+ '{:.2f}'. format (b) + ' + {:.2f}'. format (a) + 'x', size= 14 )
Не стесняйтесь размещать подобранное уравнение регрессии в любых координатах (x, y) , которые вы хотите на графике.
Для этого конкретного примера мы выбрали (x, y) = (1, 17).
Дополнительные ресурсы
В следующих руководствах объясняется, как подобрать различные модели регрессии в Python:
Полное руководство по линейной регрессии в Python
Как выполнить полиномиальную регрессию в Python
Как выполнить квантильную регрессию в Python