Aan de slagGa gratis aan de slag

De resultaten van de lineaire regressie weergeven

Nu ga je je resultaten van de lineaire regressie tonen in de spreidingsplot. De code daarvoor is alvast voor je klaargezet uit de vorige oefening. Neem hiervoor de eerste 100 bootstrap-steekproeven (opgeslagen in bs_slope_reps_1975, bs_intercept_reps_1975, bs_slope_reps_2012 en bs_intercept_reps_2012) en plot de lijnen met de keyword-argumenten alpha=0.2 en linewidth=0.5 voor plt.plot().

Deze oefening maakt deel uit van de cursus

Statistical Thinking in Python (deel 2)

Cursus bekijken

Oefeninstructies

  • Genereer de \(x\)-waarden voor de bootstrap-lijnen met np.array(). Ze moeten bestaan uit 10 mm en 17 mm.
  • Schrijf een for-lus om 100 van de bootstrap-lijnen te plotten voor de gegevenssets van 1975 en 2012. De lijnen voor de gegevensset van 1975 moeten 'blue' zijn en die voor de gegevensset van 2012 'red'.
  • Klik op Antwoord verzenden om de plot te bekijken!

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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()
Code bewerken en uitvoeren