Vizuální odhadování směrnice a průsečíku
Sestavování lineárních modelů je automatizovaný způsob, jak dělat něco, co můžeme zhruba zvládnout i „ručně" – pomocí vizualizace dat a spousty pokusů a omylů. Vizuální metoda sice není nejefektivnější ani nejpřesnější, ale koncepty ilustruje velmi názorně – tak to pojďme vyzkoušet!
Máš k dispozici naměřená data. Tvým úkolem je odhadnout hodnoty směrnice a průsečíku, předat je do modelu a upravovat svůj odhad tak dlouho, dokud výsledný model data dobře neproloží. Použij připravená data xd, yd a funkci model() k vytvoření předpovědí modelu. Předpovědi a data pak porovnej pomocí připravené funkce plot_data_and_model().
Toto cvičení je součástí kurzu
Úvod do lineárního modelování v Pythonu
Pokyny k cvičení
- Prohlédni si graf výše a odhadni počáteční hodnoty
trial_slopeatrial_intercept. V průběhu cvičení je budeš moci upravovat. - Pomocí předdefinované funkce
xm, ym = model(intercept, slope)vygeneruj předpovědi modelu. - Pomocí připravené funkce
fig = plot_data_and_model(xd, yd, xm, ym)vykresli naměřená data(xd, yd)a předpovědi modelu(xm, ym)společně do jednoho grafu. - Pokud model data dobře neproloží, zkus jiné hodnoty
trial_slopeatrial_intercepta spusť kód znovu. - Opakuj, dokud nebudeš spokojený/á s výsledkem, a pak nejlepší hodnoty přiřaď do
final_slopeafinal_intercepta odešli odpověď.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Look at the plot data and guess initial trial values
trial_slope = ____
trial_intercept = ____
# input thoses guesses into the model function to compute the model values.
xm, ym = ____(trial_intercept, trial_slope)
# Compare your your model to the data with the plot function
fig = ____(xd, yd, xm, ym)
plt.show()
# Repeat the steps above until your slope and intercept guess makes the model line up with the data.
final_slope = ____
final_intercept = ____