Začněte nyníZačněte zdarma

Zobrazení výsledků lineární regrese

Teď zobrazíš výsledky lineární regrese v bodovém grafu, jehož kód je již předpřipraven z předchozího cvičení. Vezmi prvních 100 bootstrap vzorků (uložených v bs_slope_reps_1975, bs_intercept_reps_1975, bs_slope_reps_2012 a bs_intercept_reps_2012) a vykresli přímky s argumenty alpha=0.2 a linewidth=0.5 ve funkci plt.plot().

Toto cvičení je součástí kurzu

Statistical Thinking in Python (Part 2)

Zobrazit kurz

Pokyny k cvičení

  • Vygeneruj hodnoty osy \(x\) pro bootstrap přímky pomocí np.array(). Měly by odpovídat hodnotám 10 mm a 17 mm.
  • Napiš cyklus for, který vykreslí 100 bootstrap přímek pro datové sady z roku 1975 a 2012. Přímky pro datovou sadu z roku 1975 by měly být 'blue' a pro datovou sadu z roku 2012 'red'.
  • Klikni na Submit a prohlédni si výsledný graf!

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Make scatter plot of 1975 data
_ = plt.plot(bl_1975, bd_1975, marker='.',
             linestyle='none', color='blue', alpha=0.5)

# Make scatter plot of 2012 data
_ = plt.plot(bl_2012, bd_2012, marker='.',
             linestyle='none', color='red', alpha=0.5)

# Label axes and make legend
_ = plt.xlabel('beak length (mm)')
_ = plt.ylabel('beak depth (mm)')
_ = plt.legend(('1975', '2012'), loc='upper left')

# Generate x-values for bootstrap lines: x
x = np.array([____, ____])

# Plot the bootstrap lines
for i in range(100):
    plt.plot(____, ____,
             linewidth=0.5, alpha=0.2, color=____)
    plt.plot(____, ____,
             linewidth=0.5, alpha=0.2, color=____)

# Draw the plot again
plt.show()
Upravit a spustit kód