使用统计模型可视化逻辑回归

Question

直截了当的问题，真的。我只是对一些数据进行逻辑回归：

logit = sm.Logit(df.flow2, df.latency_condition)
result = logit.fit()

print(result.summary())

产量：

                          Logit Regression Results                           
==============================================================================
Dep. Variable:                  flow2   No. Observations:                 5930
Model:                          Logit   Df Residuals:                     5929
Method:                           MLE   Df Model:                            0
Date:                Mon, 10 Sep 2018   Pseudo R-squ.:                 -0.3009
Time:                        21:18:35   Log-Likelihood:                -3927.8
converged:                       True   LL-Null:                       -3019.2
                                        LLR p-value:                       nan
=====================================================================================

我现在想在我的数据点上绘制这个结果，但我不知道如何做到这一点。我用seaborn绘制回归：

sns.lmplot(x="latency_condition", logistic=True, y="flow2", data=df)
plt.show()

我知道lmplot使用statsmodels，但我不确定我的模型是否与lmplot完全相同。此外，我只想绘制完整的逻辑回归曲线（从y = 1到y = 0）。那么如何绘制这个statsmodels结果呢？欢迎采用其他方法。

编辑：

下面的丹尼尔给了我一个直截了当的解决方案，我相信这是正确的。我不确定以我的方式拟合逻辑回归和lmplot做什么之间的区别。由于我的数据向下倾斜，我猜我应该镜像我的x轴，或者拟合不同的曲线？

这是lmplot给我的：

这是回归的结果：

Answer 1

好的，我测试了一个解决方案，它的工作原理。试试这个：

import pandas as pd
import numpy as np
import statsmodels.api as sm
import matplotlib.pyplot as plt

HOW_MANY = 10
x = np.random.randn(HOW_MANY)

y = np.linspace(0,1,HOW_MANY)
df = pd.DataFrame({'x':x,'y':y})
logit = sm.Logit(df['y'],df['x']).fit()

pred_input = np.linspace(x.min(),x.max(),HOW_MANY)
predictions = logit.predict(pred_input)
plt.scatter(df['x'],df['y'])
plt.plot(pred_input,predictions,c='red')
plt.show()

如果要将红色曲线进一步向右或向左延伸，只需传递跨越更大范围的pred_input数组。

我知道lmplot使用statsmodels，但我不确定我的模型是否与lmplot完全相同。

你没有任何保证，因为如果你按照你的建议调用它，sns.lmplot（）将适合新的回归。您希望绘制Logit构造函数的预测空间，方法是为其提供一个模拟输入向量，该向量跨越所有可能输入的空间，或者尽可能多地进行。 10/100值是一个很好的数字。