残差图
本课属于 Coddy Machine Learning 学习旅程的“监督学习”单元。第 14 课，共 58 课。
高分可能掩盖了错误的形状。这条直线在不断上涨的面团数据上取得了 0.82 的 R 平方值，但误差呈拱形：
右边的图是残差图：将每个残差（实际值减去预测值）与其预测值进行对照，并画出一条位于 0 的直线：
residuals = y_test - pred
fig, ax = plt.subplots()
ax.scatter(pred, residuals)
ax.axhline(0, color="gray", linestyle="--")
plt.show()健康的残差会像噪声一样散布在 0 周围。出现规律说明模型遗漏了某些因素：这里是上升速度变慢了。
对于多个特征，也要分别绘制残差与每个特征的关系图：呈弧形的那个特征会掩盖曲线。
挑战
中等一所驾校为 80 次制动测试拟合了一条直线，使用的数据是：speed_kmh 和 braking_m。起始代码将测试预测值保存在 pred 中，并为图表添加了标签。
- 计算残差。
- 将残差与预测值绘制成散点图，在图中添加一条位于 0 处的灰色虚线，然后显示图表。
这条直线是否没有捕捉到曲线趋势？在左侧，它甚至预测了负的制动距离。
使用其他数据时，表现良好的直线的图表如下所示：
Coddy 会描述你的图表。
亲手试试
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)")
# 在下面编写你的代码
自我测试这节课包含一个小测验。开始学习即可作答，并记录你的进度。
监督学习中的所有课
自己练习： Python 在线编译器