IniziaInizia gratis

Visualizzare i risultati della regressione lineare

Ora mostrerai i risultati della regressione lineare sul grafico a dispersione, il cui codice è già precompilato dal tuo esercizio precedente. Per farlo, prendi i primi 100 campioni bootstrap (memorizzati in bs_slope_reps_1975, bs_intercept_reps_1975, bs_slope_reps_2012 e bs_intercept_reps_2012) e traccia le linee con gli argomenti keyword alpha=0.2 e linewidth=0.5 in plt.plot().

Questo esercizio fa parte del corso

Pensiero statistico in Python (Parte 2)

Visualizza il corso

Istruzioni dell'esercizio

  • Genera i valori di \(x\) per le linee bootstrap usando np.array(). Devono essere composti da 10 mm e 17 mm.
  • Scrivi un ciclo for per tracciare 100 delle linee bootstrap per i set di dati del 1975 e del 2012. Le linee per il set di dati del 1975 devono essere 'blue' e quelle per il set di dati del 2012 'red'.
  • Premi Invia per visualizzare il grafico!

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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()
Modifica ed esegui il codice