Visueel de helling en intercept schatten
Lineaire modellen bouwen is een geautomatiseerde manier om iets te doen wat we grofweg ook "handmatig" kunnen met datavisualisatie en veel trial-and-error. De visuele methode is niet de meest efficiënte of precieze, maar ze illustreert de concepten wél heel goed, dus laten we het proberen!
Met de gemeten data is je doel om waarden voor de helling en het intercept te raden, die in het model te stoppen en je gok bij te stellen totdat het resulterende model bij de data past. Gebruik de meegeleverde data xd, yd en de functie model() om modelvoorspellingen te maken. Vergelijk de voorspellingen en de data met plot_data_and_model().
Deze oefening maakt deel uit van de cursus
Introductie tot lineaire modellering in Python
Oefeninstructies
- Bekijk de grafiek hierboven en geef voorlopige schattingen voor
trial_slopeentrial_intercept. Deze kun je later in de oefening nog aanpassen. - Gebruik de vooraf gedefinieerde functie
xm, ym = model(intercept, slope)om modelvoorspellingen te genereren. - Gebruik de functie
fig = plot_data_and_model(xd, yd, xm, ym)om de gemeten data(xd, yd)en de gemodelleerde voorspellingen(xm, ym)samen te plotten. - Past het model niet goed bij de data? Probeer dan andere waarden voor
trial_slopeentrial_intercepten voer je code opnieuw uit. - Herhaal dit totdat je denkt dat je de beste waarden hebt, wijs die dan toe aan
final_slopeenfinal_intercepten Antwoord verzenden.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# 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 = ____