Régressions par bootstrap

Alors que vous travaillez pour le service des parcs et des loisirs de Long Beach à examiner la relation entre NO₂ et SO₂, vous avez remarqué un groupement de valeurs potentiellement aberrantes qui pourrait fausser les corrélations.

SO2 NO2 scatter

Examinez l'incertitude de vos corrélations au moyen d'un rééchantillonnage bootstrap pour voir à quel point vos ajustements sont stables. Par souci de commodité, l'échantillonnage bootstrap est déjà effectué et fourni sous no2_so2_boot, ainsi que no2_so2 pour les données non rééchantillonnées.

Cette activité fait partie du cours

Améliorer vos visualisations de données en Python

Voir le cours

Instructions de l’exercice

Indiquez à sns.lmplot() qu'il doit tracer une droite de régression distincte pour chaque sample de bootstrap.
Colorez chaque droite de régression en 'steelblue' et réglez leur opacité à 20 %.
Désactivez les bandes de confiance par défaut de Seaborn autour des droites de régression.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

sns.lmplot('NO2', 'SO2', data = no2_so2_boot,
           # Tell seaborn to a regression line for each sample
           ____ = 'sample', 
           # Make lines blue and transparent
           line_kws = {'____': 'steelblue', '____': 0.2},
           # Disable built-in confidence intervals
           ci = ____, legend = False, scatter = False)

# Draw scatter of all points
plt.scatter('NO2', 'SO2', data = no2_so2)

plt.show()

Modifier et exécuter le code