Redenen om te modelleren: interpolatie
Een veelvoorkomend gebruik van modelleren is interpolatie om een waarde te bepalen die "binnen" of "tussen" de gemeten datapunten ligt. In deze oefening maak je een voorspelling voor de waarde van de afhankelijke variabele distances voor een gegeven onafhankelijke variabele times die "tussen" twee metingen van een roadtrip valt, waarbij de distances de afstanden zijn die zijn afgelegd in de gegeven verstreken tijd.
Deze oefening maakt deel uit van de cursus
Introductie tot lineaire modellering in Python
Oefeninstructies
- Bekijk de voorgedefinieerde data-arrays
timesendistances, en de vooraf ingeladen plot. - Schat op basis van je globale inspectie de
distance_traveledvanaf het startpunt bijelapse_time = 2.5uur. - Ken je antwoord toe aan
distance_traveled.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Compute the total change in distance and change in time
total_distance = ____[-1] - ____[0]
total_time = ____[-1] - ____[0]
# Estimate the slope of the data from the ratio of the changes
average_speed = total_distance / total_time
# Predict the distance traveled for a time not measured
elapse_time = 2.5
distance_traveled = average_speed * elapse_time
print("The distance traveled is {}".format(distance_traveled))