CommencezCommencez gratuitement

Ordonnée à l'origine et points de départ

Dans cet exercice, vous verrez les paramètres d'ordonnée à l'origine et de pente dans le contexte de la modélisation de mesures prises sur le volume d'une solution contenue dans une grande cruche en verre. La solution est composée d'eau, de grains, de sucres et de levure. La masse totale de la solution et du contenant en verre a aussi été notée, mais la masse du contenant vide n'a pas été consignée.

Votre tâche est d'utiliser le DataFrame pandas préchargé df, avec les colonnes de données volumes et masses, pour construire un modèle linéaire qui relie les masses (données y) aux volumes (données x). La pente sera une estimation de la densité (variation de la masse / variation du volume) de la solution, et l'ordonnée à l'origine sera une estimation du poids du contenant vide (masse lorsque volume=0).

Cette activité fait partie du cours

Introduction aux modèles linéaires en Python

Voir le cours

Instructions de l’exercice

  • Importez ols() de statsmodels et utilisez-la pour ajuster un modèle avec data=df et formula = "masses ~ volumes".
  • Extrayez l'ordonnée à l'origine a0 et la pente a1 avec .params['Intercept'] et .params['volumes'], respectivement.
  • Affichez a0 et a1 avec des noms ayant un sens physique.
  • Affichez model_fit() et repérez les valeurs correspondant à celles trouvées ci-dessus; cherchez les étiquettes de lignes Intercept, volumes, et l'étiquette de colonne coef.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import ols from statsmodels, and fit a model to the data
from statsmodels.formula.api import ols
model_fit = ols(formula="____ ~ ____", data=____)
model_fit = model_fit.fit()

# Extract the model parameter values, and assign them to a0, a1
a0 = model_fit.params['____']
a1 = model_fit.params['____']

# Print model parameter values with meaningful names, and compare to summary()
print( "container_mass   = {:0.4f}".format(____) )
print( "solution_density = {:0.4f}".format(____) )
print( model_fit.summary() )
Modifier et exécuter le code