Stima visiva di pendenza e intercetta
Costruire modelli lineari è un modo automatizzato per fare qualcosa che possiamo approssimare "manualmente" con la visualizzazione dei dati e un bel po' di tentativi ed errori. Il metodo visivo non è il più efficiente o preciso, ma illustra molto bene i concetti, quindi proviamolo!
Dato un insieme di dati misurati, il tuo obiettivo è indovinare i valori di pendenza e intercetta, passarli nel modello e regolare la tua stima finché il modello risultante non si adatta ai dati. Usa i dati forniti xd, yd e la funzione model() per creare le previsioni del modello. Confronta previsioni e dati usando plot_data_and_model() fornita.
Questo esercizio fa parte del corso
Introduzione alla modellazione lineare in Python
Istruzioni dell'esercizio
- Osserva il grafico qui sopra e fornisci stime preliminari di
trial_slopeetrial_intercept. Potrai perfezionarle più avanti nell'esercizio. - Usa la funzione predefinita
xm, ym = model(intercept, slope)per generare le previsioni del modello. - Usa la funzione
fig = plot_data_and_model(xd, yd, xm, ym)per visualizzare insieme i dati misurati(xd, yd)e le previsioni del modello(xm, ym). - Se il modello non si adatta ai dati, prova valori diversi per
trial_slopeetrial_intercepte riesegui il codice. - Ripeti finché non ritieni di avere i valori migliori, quindi assegnali a
final_slopeefinal_intercepte invia la tua risposta.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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 = ____