不理解 ML 中的 plt.plot(train_x, regr.coef_[0][0]*train_x + regr.intercept_[0], '-r')答案

【问题标题】：not understanding plt.plot(train_x, regr.coef_[0][0]*train_x + regr.intercept_[0], '-r') in ML不理解 ML 中的 plt.plot(train_x, regr.coef_[0][0]*train_x + regr.intercept_[0], '-r')
【发布时间】：2020-11-26 16:57:35
【问题描述】：

plt.scatter(train.ENGINESIZE, train.CO2EMISSIONS,  color='blue')
plt.plot(train_x, regr.coef_[0][0]*train_x + regr.intercept_[0], '-r') **--this line**
plt.xlabel("Engine size")
plt.ylabel("Emission")

这个语法是什么意思？
train_x 是EngineSize vs 公式，即。 theta0+theta1*~x(mean) 但是语法中的这个 -r 是什么&然后它是如何绘制的...... 请有人详细解释我的dis

【问题讨论】：

The third argument of plot is the format string.。它指定绘图的外观，即使用什么颜色、线条形状和标记大小。 - 表示实线，r 表示红色。
请阅读ml标签的描述。

标签： python r scikit-learn regression

【解决方案1】：

`plt.scatter(train.ENGINESIZE, train.CO2EMISIONS, color='blue')
plt.plot(train_x, regr.coef_[0][0]*train_x + regr.intercept_[0], '-r'))' 在解释上面的代码之前，让我明确一点
线性回归方程如下：\

y=a+bx\

a：拦截
b：斜率/梯度（系数）
回到代码，它只是实际值和预测值之间的散点图，用于比较回归模型的准确性。

部分

regr.coef_[0][0]*train_x + regr.intercept_[0]

regr.coef_：这是一个包含 b 变量（系数）的列表变量，因此 regr.coef_[0][0] 旨在仅选择第一个值列表是系数。
regr.intercept_：它也是一个列表，但它包含一个变量（截距）。\

结论是：

regr.coef_[0][0]*train_x + regr.intercept_[0] 等价于 y=a+bx

'-r' : 这是绘图中的线条颜色
您可以使用 '-y' : 表示黄色或 '-b' 表示蓝色

我希望这能让你明白:)。

【讨论】：

【解决方案2】：

这是绘制训练集的函数（蓝点）：

plt.scatter(train.ENGINESIZE, train.CO2EMISSIONS,  color='blue')

这是绘制方程或模型的函数（红线）：

plt.plot(train_x, regr.coef_[0][0]*train_x + regr.intercept_[0], '-r')

在绘图功能中，您需要指定(X,Y) 进行绘图。所以X = Train_x(ENGINESIZE Values)和Y = the equation (Y=0º+0¹X) -> 0º=regr.intercept_[0]和0¹= regr.coef_[0][0]

换句话说：plt.plot(X,0º+0¹*X,'-r')

'r -> color of line: red

我希望这个解释对你有所帮助。祝你好运！

【讨论】：