Po co tworzymy modele: szacowanie zależności
Kolejnym częstym zastosowaniem modelowania jest porównywanie dwóch zbiorów danych – polega ono na zbudowaniu modelu dla każdego z nich, a następnie porównaniu tych modeli. W tym ćwiczeniu masz dane z podróży samochodowej, którą odbyły razem dwa auta. Samochody zatrzymywały się na stację benzynową co 50 mil, ale każdy z nich tankował inną ilość paliwa, ponieważ różnią się spalaniem (MPG). Uzupełnij funkcję efficiency_model(miles, gallons), która szacuje efektywność paliwową jako średnią liczbę mil przejechanych na galon zużytego paliwa. Skorzystaj z dostarczonych słowników car1 i car2, które mają klucze car['miles'] i car['gallons'].
To ćwiczenie jest częścią kursu
Wprowadzenie do modelowania liniowego w Pythonie
Instrukcje do ćwiczenia
- Uzupełnij definicję funkcji
efficiency_model(miles, gallons). - Użyj tej funkcji, aby obliczyć efektywność paliwową obu samochodów (słowniki
car1,car2). - Zapisz wyniki jako
car1['mpg']icar2['mpg']. - Uzupełnij poniższą instrukcję logiczną, która wyświetla, który samochód (jeśli którykolwiek) ma lepsze spalanie.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Complete the function to model the efficiency.
def efficiency_model(miles, gallons):
return np.mean( ____ / ____ )
# Use the function to estimate the efficiency for each car.
car1['mpg'] = efficiency_model(car1['____'] , car1['____'] )
car2['mpg'] = efficiency_model(car2['____'] , car2['____'] )
# Finish the logic statement to compare the car efficiencies.
if car1['mpg'] ____ car2['mpg'] :
print('car1 is the best')
elif car1['mpg'] ____ car2['mpg'] :
print('car2 is the best')
else:
print('the cars have the same efficiency')