中文文档
绘制这个图的作用主要是检查预测变量与目标变量之间是否满足同方差性
seaborn.residplot(x, y, data=None, lowess=False, x_partial=None, y_partial=None, order=1, robust=False, dropna=True,
label=None, color=None, scatter_kws=None, line_kws=None, ax=None)
绘制线性回归的残差。
此函数将对x进行y回归（可能作为稳健或多项式回归），然后绘制残差的散点图。
您可以选择将最低平滑度拟合到残差图，这可以帮助确定残差是否存在结构。
常用参数介绍：
- x:横坐标对应的变量或变量名
- y:纵坐标对应的变量或变量名
- data:数据集（当传入变量名时，data要传入值）
- ax：确定那个子图
sns.residplot(train.GrLivArea, train.SalePrice)
理想情况下，如果假设满足，残差将随机分散在为零的中心线上，没有明显的模式。看起来像一个以0为中心的非结构化的点云。然而，我们的剩余图不是一个非结构化的点云。尽管响应变量和预测变量之间似乎存在线性关系，但残差图看起来更像一个漏斗。残差图显示，随着GrLivArea值的增加，方差也随之增加，这就是所谓的异方差特征。
我们看到左边的预转换图表具有异方差性，而右边的后转换图表具有同方差性(在零线上的方差几乎相等)。它看起来像一团数据点。这正是我们所希望的。
如果对您有帮助，麻烦点赞关注，这真的对我很重要！！！如果需要互关，请评论留言！
