可视化在各类算法中也有非常重要的作用，我们可以利用可视化进行很多探索性分析。
以线性回归算法为例，我们介绍一下可视化分析在线性回归算法中的应用；可视化分析主要体现在利用各类残差图进行线性回归诊断。
残差图是指以某种残差为纵坐标，以其他适宜的量为横坐标的散点图；具有不同横标坐标的残差图的意义是不一样的；这里残差取真实值与预测值之间的差值。
## 线性诊断——散点图
以**自变量的观测值**为横坐标，**因变量的观测值**为纵坐标作散点图；
若图中的散点基本呈线性关系，则认为模型是满足线性假设的；
## 误差项同方差——位置尺度图
以**因变量的拟合值**为横坐标，**标准化残差的平方根**为纵坐标作散点图；
若模型满足误差项同方差的假设，则散点应随机分布在水平线周围，如下图：
PS:以因变量的拟合值为横坐标，残差为纵坐标作的残差图同样也可以诊断误差同方差性，如果残差大致均匀地分散在准线0的周围，没有明确的模式，则认为满足同方差性.
## 误差项相互独立——残差图
以**因变量的拟合值**为横坐标，**残差**为纵坐标作散点图；
若模型满足误差项相互独立的假设，则散点应呈随机分布，如下图：
## 误差项正态分布——残差Q-Q图
以**理论分位点**为横坐标，**残差的次序统计量**为纵坐标作散点图；
若模型满足误差项正态分布的假设，则散点应落在45°直线附近，如下图：
PS:残差QQ图也即画出残差的正态概率图，正态概率图是一种检验数据是否服从正态分布的图形.
以上就是几种进行线性回归模型诊断的常用可视化方法啦~
线性回归模型诊断——利用可视化工具
echo
