Zacznij terazZacznij za darmo

Wizualizacja wyników regresji liniowej

Teraz nałożysz wyniki regresji liniowej na wykres punktowy, którego kod został już wcześniej przygotowany na podstawie poprzedniego ćwiczenia. W tym celu weź pierwsze 100 próbek bootstrapowych (przechowywanych w bs_slope_reps_1975, bs_intercept_reps_1975, bs_slope_reps_2012 i bs_intercept_reps_2012) i narysuj linie, przekazując argumenty kluczowe alpha=0.2 oraz linewidth=0.5 do funkcji plt.plot().

To ćwiczenie jest częścią kursu

Myślenie statystyczne w Pythonie (część 2)

Zobacz kurs

Instrukcje do ćwiczenia

  • Wygeneruj wartości \(x\) dla linii bootstrapowych za pomocą np.array(). Powinny składać się z 10 mm i 17 mm.
  • Napisz pętlę for, która narysuje 100 linii bootstrapowych dla zbiorów danych z 1975 i 2012 roku. Linie dla zbioru z 1975 roku powinny być 'blue', a dla zbioru z 2012 roku – 'red'.
  • Kliknij „Prześlij odpowiedź", aby zobaczyć wykres!

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()
Edytuj i uruchom kod