Intervaly 90, 95 a 99 %

Jsi datový vědec/datová vědkyně pro společnost nabízející outdoorové zážitky ve Fairbanksu na Aljašce. Zákazníci se v poslední době potýkají s problémy způsobenými znečištěním SO₂, což vede k nákladným zrušením zájezdů. Společnost má senzory pro CO, NO₂ a O₃, ale nikoli pro úrovně SO₂.

Sestrojil/a jsi model, který predikuje hodnoty SO₂ na základě hodnot znečišťujících látek měřených senzory (načtený jako pollution_model, objekt statsmodels). Chceš zjistit, která znečišťující látka má největší vliv na predikci SO₂ tvého modelu – to ti pomůže rozhodnout, na hodnoty které látky se při plánování outdoorových výletů zaměřit nejvíce. Aby byl tvůj report co nejinformativnější, zobraz pro odhady modelu více úrovní nejistoty.

Toto cvičení je součástí kurzu

Vylepšení datových vizualizací v Pythonu

Zobrazit kurz

Pokyny k cvičení

Doplň správné procentuální šířky intervalů (90, 95 a 99 %) podle hodnot uvedených v seznamu alpha.
V cyklu for obarvi každý interval přiřazenou barvou color.
Předej procentuální hodnotu width z cyklu funkci plt.hlines(), aby se správně zobrazila v legendě.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Add interval percent widths
alphas = [     0.01,  0.05,   0.1] 
widths = [ '__% CI', '__%', '__%']
colors = ['#fee08b','#fc8d59','#d53e4f']

for alpha, color, width in zip(alphas, colors, widths):
    # Grab confidence interval
    conf_ints = pollution_model.conf_int(alpha)
    
    # Pass current interval color and legend label to plot
    plt.hlines(y = conf_ints.index, xmin = conf_ints[0], xmax = conf_ints[1],
               colors = ____, ____ = width, linewidth = 10) 

# Draw point estimates
plt.plot(pollution_model.params, pollution_model.params.index, 'wo', label = 'Point Estimate')

plt.legend()
plt.show()

Upravit a spustit kód