Kuadrat Terkecil dengan `numpy`

Rumus di bawah ini merupakan hasil dari kalkulus yang dibahas pada pengantar. Dalam latihan ini, kita akan mengasumsikan kalkulus tersebut benar, dan mengimplementasikan rumus-rumus ini dalam kode menggunakan numpy.

$$ a_{1} = \frac{ covariance(x, y) }{ variance(x) } $$ $$ a_{0} = mean(y) - a_{1} mean(x) $$

Latihan ini adalah bagian dari kursus

Pengantar Pemodelan Linear di Python

Lihat Kursus

Petunjuk latihan

Hitung rata-rata dan deviasi dari kedua variabel x, y pada data yang sudah dimuat.
Gunakan np.sum() untuk melengkapi rumus kuadrat terkecil, dan gunakan hasilnya untuk menghitung nilai optimal a0 dan a1.
Gunakan model() untuk membangun nilai model y_model dari nilai kemiringan optimal a1 dan intersep a0 tersebut.
Gunakan fungsi compute_rss_and_plot_fit() yang telah disediakan untuk mengonfirmasi secara visual bahwa model optimal ini sesuai dengan data.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# prepare the means and deviations of the two variables
x_mean = np.____(x)
y_mean = np.____(y)
x_dev = x - ____
y_dev = y - ____

# Complete least-squares formulae to find the optimal a0, a1
a1 = np.sum(____ * ____) / np.sum( np.square(____) )
a0 = ____ - (a1 * ____)

# Use the those optimal model parameters a0, a1 to build a model
y_model = model(x, ____, ____)

# plot to verify that the resulting y_model best fits the data y
fig, rss = compute_rss_and_plot_fit(a0, a1)

Edit dan Jalankan Kode