Bootstrapping eines Konfidenzintervalls
Ein nützliches Werkzeug, um die Variabilität von Daten zu beurteilen, ist das Bootstrap-Verfahren. In dieser Übung schreibst du deine eigene Bootstrapping-Funktion, die ein gebootstrapptes Konfidenzintervall zurückgeben kann.
Diese Funktion erhält drei Parameter: ein 2D-Array mit Zahlen (data), eine Liste der zu berechnenden Perzentile (percentiles) und die Anzahl der Bootstrap-Durchläufe (n_boots). Sie verwendet die Funktion resample, um eine Bootstrap-Stichprobe zu erzeugen, und wiederholt dies mehrfach, um das Konfidenzintervall zu berechnen.
Diese Übung ist Teil des Kurses
Maschinelles Lernen für Zeitreihendaten in Python
Anleitung zur Übung
- Die Funktion soll über die Anzahl der Bootstraps (gegeben durch den Parameter
n_boots) iterieren und dabei:- Eine Zufallsstichprobe der Daten mit Zurücklegen ziehen und den Mittelwert dieser Zufallsstichprobe berechnen
- Die Perzentile von
bootstrap_meansberechnen und zurückgeben
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
from sklearn.utils import ____
def bootstrap_interval(data, percentiles=(2.5, 97.5), n_boots=100):
"""Bootstrap a confidence interval for the mean of columns of a 2-D dataset."""
# Create our empty array to fill the results
bootstrap_means = np.zeros([n_boots, data.shape[-1]])
for ii in range(____):
# Generate random indices for our data *with* replacement, then take the sample mean
random_sample = ____
bootstrap_means[ii] = random_sample.mean(axis=0)
# Compute the percentiles of choice for the bootstrapped means
percentiles = ____(bootstrap_means, percentiles, axis=0)
return percentiles