LoslegenKostenlos loslegen

Lineare Regressionsresultate anzeigen

Jetzt zeigst du deine Resultate der linearen Regression im Streudiagramm an. Der Code dafür ist aus der letzten Übung bereits für dich vorbereitet. Verwende dazu die ersten 100 Bootstrap-Stichproben (gespeichert in bs_slope_reps_1975, bs_intercept_reps_1975, bs_slope_reps_2012 und bs_intercept_reps_2012) und zeichne die Linien mit den Keyword-Argumenten alpha=0.2 und linewidth=0.5 in plt.plot().

Diese Übung ist Teil des Kurses

Statistical Thinking in Python (Teil 2)

Kurs anzeigen

Anleitung zur Übung

  • Erzeuge die \(x\)-Werte für die Bootstrap-Linien mit np.array(). Sie sollen aus 10 mm und 17 mm bestehen.
  • Schreibe eine for-Schleife, um 100 der Bootstrap-Linien für die Datensätze von 1975 und 2012 zu plotten. Die Linien für den Datensatz von 1975 sollen 'blue' sein und die für 2012 'red'.
  • Klicke auf Antwort senden, um die Grafik zu sehen!

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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()
Code bearbeiten und ausführen