Analiza reszt
Aby zaimplementować model liniowy, trzeba przeanalizować reszty – czyli odległości między przewidywanymi wartościami a rzeczywistymi danymi.
Muszą być spełnione trzy warunki:
- Średnia powinna wynosić 0.
- Wariancja musi być stała.
- Rozkład musi być normalny.
Będziemy pracować z danymi dotyczącymi wyników testów z dwóch szkół – A i B – z tego samego przedmiotu. Modele model_A i model_B zostały dopasowane odpowiednio do danych hours_of_study_A i test_scores_A oraz hours_of_study_B i test_scores_B.
matplotlib.pyplot został zaimportowany jako plt, numpy jako np, a LinearRegression z sklearn.linear_model.
To ćwiczenie jest częścią kursu
Podstawy rachunku prawdopodobieństwa w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Scatterplot of hours of study and test scores
plt.scatter(____, ____)
# Plot of hours_of_study_values_A and predicted values
plt.plot(____, model_A.____(hours_of_study_values_A))
plt.title("Model A", fontsize=25)
plt.show()