CommencezCommencez gratuitement

Afficher les résultats de la régression linéaire

Vous allez maintenant afficher vos résultats de régression linéaire sur le nuage de points; le code correspondant est déjà préécrit d'après votre exercice précédent. Pour ce faire, prenez les 100 premiers échantillons bootstrap (stockés dans bs_slope_reps_1975, bs_intercept_reps_1975, bs_slope_reps_2012 et bs_intercept_reps_2012) et tracez les lignes avec les arguments mots-clés alpha=0.2 et linewidth=0.5 dans plt.plot().

Cette activité fait partie du cours

Réflexion statistique en Python (partie 2)

Voir le cours

Instructions de l’exercice

  • Générez les valeurs de \(x\) pour les lignes bootstrap à l'aide de np.array(). Elles doivent être de 10 mm et 17 mm.
  • Écrivez une boucle for pour tracer 100 des lignes bootstrap pour les ensembles de données de 1975 et de 2012. Les lignes de l'ensemble de 1975 doivent être 'blue' et celles de l'ensemble de 2012 doivent être 'red'.
  • Appuyez sur Soumettre pour afficher le graphique !

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()
Modifier et exécuter le code