用统计模型可视化logistic回归模型

Question

直截了当的问题。我只是对一些数据进行了逻辑回归：

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

print(result.summary())

产生的结果：

                          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画出这个结果，但是我不知道怎么做。我用海运绘制了一个回归图：

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

我知道lmplot使用状态模型，但我不确定我是如何适应这个模型的，这与lmplot是如何做的完全一样。另外，我只想绘制完整的logistic回归曲线(从y=1到y=0)。那么，我如何绘制这个状态模型的结果呢？欢迎采用其他办法。

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。我不知道拟合logistic回归我的方法和lmplot做什么有什么区别。我猜我应该反映我的x轴，或拟合一个不同的曲线，因为我的数据向下斜率？

这就是lmplot给我的东西：

​

​

这是回归的结果：

​

​

Answer 1

好的，我测试了一个解决方案，它很有效。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()

如果要将红色曲线向右或向左扩展，只需传递一个跨越更大范围的pred_input数组即可。

我知道lmplot使用状态模型，但我不确定我是如何适应这个模型的，这与lmplot是如何做的完全一样。

您没有任何保证，因为如果您按照建议调用sns.lmplot()，那么它将适合新的回归。您希望绘制Logit构造函数的预测空间，方法是向它提供一个模拟输入向量，该向量横跨所有可能的输入空间，或者尽可能多。10/100数值是一个很好的数字。