Menu
CoddyTech
Bắt đầu học

Biểu đồ phần dư

Thuộc phần Học có giám sát trong hành trình Machine Learning của Coddy. Bài học 14 trên 58.

Một điểm số tốt có thể che giấu hình dạng không phù hợp. Đường thẳng này đạt R bình phương 0.82 trên dữ liệu bột nhào đang nở, nhưng các sai số lại tạo thành hình vòng cung:

Bên trái: chiều cao bột nhào theo số giờ, tăng nhanh rồi chậm lại, cùng một đường thẳng khớp dữ liệu, R bình phương 0.82. Bên phải: phần dư so với giá trị dự đoán tăng từ -1.3 lên +0.7 rồi giảm xuống -0.7, tạo thành hình vòng cung quanh đường số không nét đứt

Biểu đồ bên phải là biểu đồ phần dư: mỗi phần dư, bằng giá trị thực tế trừ giá trị dự đoán, được biểu diễn theo giá trị dự đoán, cùng một đường tại 0:

residuals = y_test - pred
fig, ax = plt.subplots()
ax.scatter(pred, residuals)
ax.axhline(0, color="gray", linestyle="--")
plt.show()

Phần dư lành tính phân tán quanh 0 như nhiễu. Một mô hình cho thấy mô hình còn bỏ sót điều gì đó: ở đây, tốc độ tăng chậm lại.

Với nhiều đặc trưng, hãy vẽ phần dư theo từng đặc trưng: đặc trưng có biểu đồ cong sẽ che khuất đường cong.

challenge icon

Thử thách

Trung bình

Một trường dạy lái xe đã khớp một đường thẳng với 80 bài kiểm tra phanh: speed_kmh và braking_m. Mã khởi đầu lưu các giá trị dự đoán của bài kiểm tra trong pred và gắn nhãn cho biểu đồ.

  1. Tính các phần dư.
  2. Vẽ biểu đồ phân tán các phần dư theo các giá trị dự đoán trên một đường ngang nét đứt màu xám tại 0, rồi hiển thị biểu đồ.

Đường thẳng có bỏ sót một đường cong không? Ở phía bên trái, nó thậm chí còn dự đoán khoảng cách phanh âm.

Biểu đồ của một đường thẳng phù hợp, dựa trên dữ liệu khác, trông như thế này:

Biểu đồ phần dư có tiêu đề Một đường thẳng phù hợp: hai mươi chấm phân tán không theo quy luật nào ở phía trên và phía dưới một đường nét đứt tại 0

Coddy mô tả biểu đồ của bạn.

Tự làm thử

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

brakes = pd.read_csv("braking.csv")
X_train, X_test, y_train, y_test = train_test_split(brakes[["speed_kmh"]], brakes["braking_m"], test_size=0.25, random_state=0)
model = LinearRegression()
model.fit(X_train, y_train)
pred = model.predict(X_test)

fig, ax = plt.subplots()
ax.set_title("Braking Line Check")
ax.set_xlabel("Predicted braking distance (m)")
ax.set_ylabel("Residual (m)")

# Viết code của bạn bên dưới
quiz iconTự kiểm tra

Bài học này có một bài trắc nghiệm ngắn. Bắt đầu bài học để trả lời và theo dõi tiến độ.

Tất cả bài học trong Học có giám sát

1Mô hình đầu tiên của bạn

Học từ ví dụTập huấn luyện và tập kiểm traHuấn luyện và dự đoánChấm điểm mô hìnhÔn tập: Bộ sắp xếp hạt giống

4Hồi quy logistic

Dự đoán có hoặc khôngNgưỡng quyết địnhTrọng số là bằng chứngNhiều lớpÔn tập: Bộ lọc thư rác

7Quá khớp

Chưa khớp và quá khớpĐường cong học tậpĐiều chuẩnTập kiểm địnhÔn tập: tinh chỉnh cây

10Quy trình xử lý

Quy trình xử lýCột có kiểu dữ liệu hỗn hợpĐiền giá trị thiếu trong quy trìnhTinh chỉnh quy trìnhÔn tập: Làm sạch và dự đoán

2Láng giềng gần nhất

Cách k-NN đưa ra quyết địnhChọn kRanh giới quyết địnhChuẩn hóa dữ liệu cho láng giềngÔn tập: láng giềng với dữ liệu rượu vang

5Đánh giá bộ phân loại

Ma trận nhầm lẫnĐộ chính xác và độ thu hồiĐiểm F1Các lớp mất cân bằngĐường cong ROCÔn tập: Bài kiểm tra sàng lọc

8Kiểm định chéo

Kiểm định K-FoldSo sánh các mô hình công bằngTìm kiếm lướiÔn tập: Sửa chữa ván trượt

11Dự án: Các loài chim cánh cụt

Làm quen với chim cánh cụtChuẩn bị dữ liệuChọn mô hìnhTinh chỉnh mô hình tốt nhấtĐưa mô hình vào sử dụng

3Hồi quy tuyến tính

Dự đoán các con sốNhiều đặc trưngĐo lường sai sốBiểu đồ phần dưÔn tập: Thuê xe đạp

6Cây quyết định

Cây đặt câu hỏiĐọc câyĐộ sâu của câyTầm quan trọng của đặc trưngÔn tập: quyết định cho vay

9Các mô hình tổ hợp

Rừng ngẫu nhiênVì sao rừng hoạt động hiệu quảTăng cường độ dốcÔn tập: Người kiểm lâm rừng

12Thử thách cuối cùng

Tiến triển của bệnh tiểu đườngPhê duyệt tín dụngChữ số viết tayKhách hàng rời bỏ

Tự luyện tập: Trình biên dịch Python online