Visualisasikan Bootstrap

Melanjutkan dari bagian sebelumnya dalam pelajaran ini, mari memvisualisasikan sebaran bootstrap dari kecepatan yang diestimasi menggunakan bootstrap resampling, di mana kita menghitung pencocokan kuadrat-terkecil (least-squares) terhadap kemiringan untuk setiap sampel guna menguji variasi atau ketidakpastian dalam estimasi kemiringan kita.

Untuk memulai, kami telah memuat fungsi compute_resample_speeds(distances, times) untuk melakukan komputasi dan menghasilkan sebaran sampel kecepatan.

Latihan ini adalah bagian dari kursus

Pengantar Pemodelan Linear di Python

Lihat Kursus

Petunjuk latihan

Gunakan compute_resample_speeds(distances, times) yang telah disediakan untuk menghitung resample_speeds.
Gunakan np.mean() untuk menghitung speed_estimate dari resample_speeds
Gunakan np.percentile() dengan [5, 95] untuk menghitung percentiles dari resample_speeds, yang mendefinisikan batas interval kepercayaan.
Gunakan axis.hist() untuk memplot resample_speeds, dengan menentukan bin menggunakan hist_bin_edges.
Dengan axis.axvline, tentukan dua indeks yang benar dari percentiles untuk menandai batas interval kepercayaan pada grafik.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Create the bootstrap distribution of speeds
resample_speeds = compute_resample_speeds(____, ____)
speed_estimate = np.mean(____)
percentiles = np.percentile(____, [5, 95])

# Plot the histogram with the estimate and confidence interval
fig, axis = plt.subplots()
hist_bin_edges = np.linspace(0.0, 4.0, 21)
axis.hist(____, ____, color='green', alpha=0.35, rwidth=0.8)
axis.axvline(speed_estimate, label='Estimate', color='black')
axis.axvline(percentiles[____], label=' 5th', color='blue')
axis.axvline(percentiles[____], label='95th', color='blue')
axis.legend()
plt.show()

Edit dan Jalankan Kode