CommencezCommencez gratuitement

Estimer visuellement la pente et l'ordonnée à l'origine

Construire des modèles linéaires automatise une démarche que l'on peut approximativement faire « à la main » avec de la visualisation de données et beaucoup d'essais-erreurs. Ce n'est pas la méthode la plus efficace ni la plus précise, mais elle illustre très bien les concepts. Essayons !

À partir de données mesurées, votre objectif est d'estimer des valeurs pour la pente et l'ordonnée à l'origine, de les passer au modèle, puis d'ajuster votre estimation jusqu'à ce que le modèle s'ajuste aux données. Utilisez les données fournies xd, yd et la fonction model() pour créer des prédictions du modèle. Comparez les prédictions et les données avec plot_data_and_model() fourni.

Cette activité fait partie du cours

Introduction aux modèles linéaires en Python

Voir le cours

Instructions de l’exercice

  • Examinez le graphique ci-dessus et proposez des estimations préliminaires pour trial_slope et trial_intercept. Vous pourrez les ajuster plus tard dans l'exercice.
  • Utilisez la fonction prédéfinie xm, ym = model(intercept, slope) pour générer les prédictions du modèle.
  • Utilisez la fonction fournie fig = plot_data_and_model(xd, yd, xm, ym) pour tracer ensemble les données mesurées (xd, yd) et les prédictions du modèle (xm, ym).
  • Si le modèle ne correspond pas bien aux données, essayez d'autres valeurs pour trial_slope et trial_intercept et exécutez de nouveau votre code.
  • Répétez jusqu'à ce que vous croyiez avoir les meilleures valeurs, puis assignez-les à final_slope et final_intercept et Soumettre la réponse.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Look at the plot data and guess initial trial values
trial_slope = ____
trial_intercept = ____

# input thoses guesses into the model function to compute the model values.
xm, ym = ____(trial_intercept, trial_slope)

# Compare your your model to the data with the plot function
fig = ____(xd, yd, xm, ym)
plt.show()

# Repeat the steps above until your slope and intercept guess makes the model line up with the data.
final_slope = ____
final_intercept = ____
Modifier et exécuter le code