Aan de slagBegin gratis

Residual Sum of Squares

In een eerdere oefening zagen we dat de hoogte langs een wandelpad ongeveer past bij een lineair model, en introduceerden we het idee van verschillen tussen het model en de data als een maat voor de kwaliteit van het model.

In deze oefening werk je met dezelfde gemeten data en kwantificeer je hoe goed een model past door de som van de kwadraten van de "verschillen" te berekenen, ook wel "residuen" genoemd.

Deze oefening maakt deel uit van de cursus

Introductie tot lineaire modellering in Python

Bekijk cursus

Oefeninstructies

  • Laad x_data, y_data met de vooraf gedefinieerde functie load_data().
  • Roep het vooraf gedefinieerde model() aan en geef x_data en specifieke waarden a0, a1 mee.
  • Bereken de residuen als y_data - y_model en bereken daarna rss met np.square() en np.sum().
  • Print de resulterende waarde van rss.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Load the data
x_data, y_data = load_data()

# Model the data with specified values for parameters a0, a1
y_model = model(____, a0=150, a1=25)

# Compute the RSS value for this parameterization of the model
rss = np.sum(np.square(____ - ____))
print("RSS = {}".format(____))
Code bewerken en uitvoeren