Przedziały 90%, 95% i 99%

Pracujesz jako analityk danych w firmie organizującej wyprawy na świeżym powietrzu w Fairbanks na Alasce. Ostatnio klienci skarżą się na zanieczyszczenie SO₂, co prowadzi do kosztownych odwołań wycieczek. Firma dysponuje czujnikami CO, NO₂ i O₃, ale nie mierzy poziomu SO₂.

Zbudowano model przewidujący wartości SO₂ na podstawie wskazań dostępnych czujników (załadowany jako pollution_model, obiekt statsmodels). Chcesz sprawdzić, który zanieczyszczający ma największy wpływ na prognozę SO₂ w modelu. Dzięki temu będziesz wiedzieć, na które pomiary zwracać szczególną uwagę przy planowaniu wycieczek. Aby raport zawierał jak najwięcej informacji, pokaż kilka poziomów niepewności dla oszacowań modelu.

To ćwiczenie jest częścią kursu

Ulepszanie wizualizacji danych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Uzupełnij odpowiednie szerokości przedziałów (90%, 95% i 99%) zgodnie z wartościami listy alpha.
W pętli for pokoloruj każdy przedział przypisanym kolorem color.
Przekaż wartość procentową width z pętli do plt.hlines(), aby oznaczyć legendę.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Add interval percent widths
alphas = [     0.01,  0.05,   0.1] 
widths = [ '__% CI', '__%', '__%']
colors = ['#fee08b','#fc8d59','#d53e4f']

for alpha, color, width in zip(alphas, colors, widths):
    # Grab confidence interval
    conf_ints = pollution_model.conf_int(alpha)
    
    # Pass current interval color and legend label to plot
    plt.hlines(y = conf_ints.index, xmin = conf_ints[0], xmax = conf_ints[1],
               colors = ____, ____ = width, linewidth = 10) 

# Draw point estimates
plt.plot(pollution_model.params, pollution_model.params.index, 'wo', label = 'Point Estimate')

plt.legend()
plt.show()

Edytuj i uruchom kod