Как визуализировать (сделать график) выход регрессии против категориальной входной переменной?

Question

Я делаю линейную регрессию с несколькими переменными. В моих данных у меня есть n = 143 особенности и m = 13000 примеры обучения. Некоторые из моих функций - непрерывные (порядковые) переменные (площадь, год, количество комнат). Но у меня также есть категориальные переменные (район, цвет, тип). На данный момент я представил некоторые из моих возможностей против прогнозируемой цены. Например вот сюжет area против предсказанного price:

Поскольку area непрерывно порядковой переменный у меня не было никаких проблем визуализации данных. Но теперь я хотел как-то визуализировать зависимость моих категориальных переменных (таких как округ) от прогнозируемой цены. Для категориальных переменных я использовал однострунную (фиктивную) кодировку.
Например, что такие данные:

обратился к этому формату:

Если бы я использовал порядковое кодирование для районов таким образом:

DistrictA - 1 
DistrictB - 2 
DistrictC - 3 
DistrictD - 4 
DistrictE - 5 

Я бы сюжета этих значений против прогнозируемой цены довольно легко, поставив 1-5 на ось X и цену на ось Y.

Но я использовал фиктивное кодирование, и теперь я не знаю, как я могу показать (визуализировать) зависимость между ценой и категориальной переменной «Район», представленную как ряд нулей и единиц.

Как я могу составить график, показывающий регрессионную линию округов по сравнению с прогнозируемой ценой в случае использования фиктивного кодирования?

Answer 1

Если вы просто хотите знать, насколько разные районы влияют на ваше предсказание, вы можете взглянуть на обученные коэффициенты напрямую. Высокая тета указывает, что этот район увеличивает цену.

---

Если вы хотите построить это, один из возможных способов, чтобы сделать график рассеяния с й координатой в зависимости от района установлен. Что-то вроде этого (непроверенные):

plot.scatter(0, predict(data["DistrictA"==1])) 
plot.scatter(1, predict(data["DistrictB"==1])) 

И так далее. (Возможно, вам нужно предоставить вектор x того же размера, что и отфильтрованный вектор данных.) Это выглядит еще лучше, если вы можете добавить небольшое случайное возмущение в координату x.