Регрессия — Regression

Преобразование regression подбирает двумерные регрессионные модели для сглаживания и прогнозирования данных. Оно может построить несколько моделей — по одной для каждой группы — и создаёт новые объекты данных, представляющие точки линий тренда. Другой вариант использования — получить объекты с параметрами регрессионной модели, по одному для каждой группы.

Поддерживаются параметрические модели следующих видов:

• Линейная (linear): y = a + b × x.
• Логарифмическая (log): y = a + b × log(x).
• Экспоненциальная (exp): y = a × e^(b × x).
• Степенная (pow): y = a × x^b.
• Квадратичная (quad): y = a + b × x + c × x^2.
• Полиномиальная (poly): y = a + b × x + … + k × x^(order).

Все модели подбираются методом обычных наименьших квадратов. О непараметрической локальной взвешенной регрессии см. «LOESS».

Вот пример простой линейной регрессии, наложенной на исходные данные:

import altair as alt
import pandas as pd
import numpy as np

np.random.seed(42)
x = np.linspace(0, 10)
y = x - 5 + np.random.randn(len(x))

df = pd.DataFrame({'x': x, 'y': y})

chart = alt.Chart(df).mark_point().encode(
    x='x',
    y='y'
)

chart + chart.transform_regression('x', 'y').mark_line()

Параметры преобразования

Метод Chart.transform_regression основан на классе RegressionTransform, который поддерживает следующие параметры: