Bootstrap di un intervallo di confidenza
Uno strumento utile per valutare la variabilità di alcuni dati è il bootstrap. In questo esercizio scriverai una tua funzione di bootstrapping che può essere usata per restituire un intervallo di confidenza ottenuto con bootstrap.
Questa funzione accetta tre parametri: un array 2D di numeri (data), un elenco di percentili da calcolare (percentiles) e il numero di iterazioni di bootstrap da usare (n_boots). Usa la funzione resample per generare un campione bootstrap e ripete questo processo molte volte per calcolare l'intervallo di confidenza.
Questo esercizio fa parte del corso
Machine Learning per dati di serie temporali in Python
Istruzioni dell'esercizio
- La funzione deve iterare sul numero di bootstrap (dato dal parametro
n_boots) e:- Prendere un campione casuale dei dati, con reinserimento, e calcolare la media di questo campione casuale
- Calcolare i percentili di
bootstrap_meanse restituirli
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
from sklearn.utils import ____
def bootstrap_interval(data, percentiles=(2.5, 97.5), n_boots=100):
"""Bootstrap a confidence interval for the mean of columns of a 2-D dataset."""
# Create our empty array to fill the results
bootstrap_means = np.zeros([n_boots, data.shape[-1]])
for ii in range(____):
# Generate random indices for our data *with* replacement, then take the sample mean
random_sample = ____
bootstrap_means[ii] = random_sample.mean(axis=0)
# Compute the percentiles of choice for the bootstrapped means
percentiles = ____(bootstrap_means, percentiles, axis=0)
return percentiles