Bootstrapowanie przedziału ufności
Bootstrap to przydatne narzędzie do oceny zmienności danych. W tym ćwiczeniu napiszesz własną funkcję bootstrapującą, która zwraca przedział ufności wyznaczony metodą bootstrap.
Funkcja przyjmuje trzy parametry: dwuwymiarową tablicę liczb (data), listę percentyli do obliczenia (percentiles) oraz liczbę iteracji bootstrapu (n_boots). Wykorzystuje funkcję resample do generowania próbki bootstrapowej i powtarza ten proces wielokrotnie, aby wyznaczyć przedział ufności.
To ćwiczenie jest częścią kursu
Uczenie maszynowe dla danych szeregów czasowych w Pythonie
Instrukcje do ćwiczenia
- Funkcja powinna iterować po liczbie bootstrapów (określonej przez parametr
n_boots) i:- Pobrać losową próbkę danych z powtórzeniami i obliczyć średnią tej losowej próbki
- Obliczyć percentyle zmiennej
bootstrap_meansi zwrócić wynik
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
from sklearn.utils import ____
def bootstrap_interval(data, percentiles=(2.5, 97.5), n_boots=100):
"""Bootstrap a confidence interval for the mean of columns of a 2-D dataset."""
# Create our empty array to fill the results
bootstrap_means = np.zeros([n_boots, data.shape[-1]])
for ii in range(____):
# Generate random indices for our data *with* replacement, then take the sample mean
random_sample = ____
bootstrap_means[ii] = random_sample.mean(axis=0)
# Compute the percentiles of choice for the bootstrapped means
percentiles = ____(bootstrap_means, percentiles, axis=0)
return percentiles