Постройте диагностику наблюдения модели линейной регрессии
plotDiagnostics
создает график диагностики наблюдения, такой как рычаги, расстояние Кука, и удалите 1 статистику, чтобы идентифицировать выбросы и влиятельные наблюдения.
plotDiagnostics(mdl)
plotDiagnostics(mdl,plottype)
plotDiagnostics(mdl,plottype,Name,Value)
h = plotDiagnostics(___)
plotDiagnostics(
создает график рычагов модели линейной регрессии (mdl
)mdl
) наблюдения. Пунктирная линия в графике представляет рекомендуемые пороговые значения.
plotDiagnostics(
задает графические свойства диагностических точек данных с помощью одного или нескольких аргументов пары "имя-значение". Например, можно задать символ маркера и размер для точек данных.mdl
,plottype
,Name,Value
)
возвращает графические объекты для строк или контура в графике с помощью любой комбинации входных аргументов в предыдущих синтаксисах. Используйте h
= plotDiagnostics(___)h
, чтобы изменить свойства определенной строки или контура после того, как вы создадите график. Для списка свойств смотрите Line Properties и Свойства контура.
Data Cursor отображает значения выбранной точки графика во всплывающей подсказке (маленькое текстовое поле, расположенное рядом с точкой данных). Всплывающая подсказка включает x - ось и y - значения оси для выбранной точки, наряду с именем наблюдения или номером.
Используйте legend('show')
, чтобы показать предзаполненную легенду.
Объект LinearModel
обеспечивает несколько функций построения графика.
При создании модели используйте plotAdded
, чтобы понять эффект добавления или удаления переменной прогноза.
При проверке модели используйте plotDiagnostics
, чтобы найти сомнительные данные и понять эффект каждого наблюдения. Кроме того, используйте plotResiduals
, чтобы анализировать невязки модели.
После подбирания модели используйте plotAdjustedResponse
, plotPartialDependence
и plotEffects
, чтобы понять эффект конкретного предиктора. Используйте plotInteraction
, чтобы понять эффект взаимодействия между двумя предикторами. Кроме того, используйте plotSlice
, чтобы построить срезы через поверхность прогноза.
[1] Neter, J., М. Х. Катнер, К. Дж. Нахцхайм и В. Вассерман. Прикладные линейные статистические модели, четвертый выпуск. Чикаго: McGraw-Hill Ирвин, 1996.