Incertitudinea modelului și distribuțiile eșantioanelor

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Acest exercițiu face parte din cursul

Introducere în modelarea liniară în Python

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

Cursul începe cu o explorare inițială a relațiilor liniare, incluzând exemple motivante despre cum sunt utilizate modelele liniare și demonstrații ale metodelor de vizualizare a datelor din matplotlib. Vom folosi apoi statistici descriptive pentru a cuantifica forma datelor și corelația pentru a măsura intensitatea relațiilor liniare dintre două variabile.

Exercise 1: Introducere în modelarea datelor Exercise 2: Scopuri ale modelării: Interpolarea Exercise 3: De ce modelăm: Extrapolarea Exercise 4: Motive pentru modelare: estimarea relațiilor Exercise 5: Vizualizarea relațiilor liniare Exercise 6: Reprezentarea grafică a datelor Exercise 7: Reprezentarea modelului pe date Exercise 8: Estimarea vizuală a pantei și interceptului Exercise 9: Cuantificarea relațiilor liniare Exercise 10: Medie, Abatere și Deviație Standard Exercise 11: Covarianță vs. Corelație Exercise 12: Puterea corelației

Aici analizăm componentele care intră în construirea unui model liniar. Pornind de la conceptul de serie Taylor, ne concentrăm asupra parametrilor pantă și interceptare, asupra modului în care aceștia definesc modelul și asupra interpretării lor în diverse contexte aplicate. Aplicăm mai multe module Python pentru a găsi modelul care se potrivește cel mai bine datelor, calculând valorile optime ale pantei și interceptării folosind metoda celor mai mici pătrate, numpy, statsmodels și scikit-learn.

Exercise 1: Ce face un model să fie liniar Exercise 2: Termenii unui model Exercise 3: Componentele modelului Exercise 4: Parametrii modelului Exercise 5: Interpretarea pantei și a interceptului Exercise 6: Proporționalitate liniară Exercise 7: Pantă și rate de variație Exercise 8: Interceptul și punctele de pornire Exercise 9: Optimizarea modelului Exercise 10: Suma pătratelor reziduurilor Exercise 11: Minimizarea reziduurilor Exercise 12: Vizualizarea minimului RSS Exercise 13: Optimizarea celor mai mici pătrate Exercise 14: Metoda celor mai mici pătrate cu `numpy`Exercise 15: Optimizare cu Scipy Exercise 16: Cele mai mici pătrate cu `statsmodels`

În continuare, vom aplica modele pe date reale și vom realiza predicții. Vom explora unele dintre cele mai frecvente capcane și limitări ale predicțiilor, iar modelele vor fi evaluate și comparate prin cuantificarea și contrastarea mai multor măsuri ale calității ajustării, inclusiv RMSE și R-pătrat.

Exercise 1: Modelarea datelor reale Exercise 2: Model liniar în antropologie Exercise 3: Model linear în oceanografie Exercise 4: Model liniar în cosmologie Exercise 5: Limitele predicției Exercise 6: Interpolare: Valori Intermediare în Timp Exercise 7: Extrapolare: Dincolo de Margini Exercise 8: Calitatea ajustării Exercise 9: RMSE pas cu pas Exercise 10: R-Squared Exercise 11: Eroare standard Exercise 12: Variația în jurul tendinței Exercise 13: Variația în Două Părți

În ultimul capitol, introducem concepte din statistica inferențială și le folosim pentru a explora modul în care estimarea prin maximum de verosimilitate și reesantionarea bootstrap pot fi utilizate pentru a estima parametrii unui model liniar. Aplicăm apoi aceste metode pentru a formula afirmații probabilistice despre încrederea noastră în parametrii modelului.

Exercise 1: Concepte de statistică inferențială Exercise 2: Statistici de eșantion versus statistici de populație Exercise 3: Variația statisticilor din eșantion Exercise 4: Vizualizarea variației unei statistici Exercise 5: Estimarea modelului și plauzibilitatea Exercise 6: Estimarea Parametrilor Populației Exercise 7: Maximizarea verosimilității, Partea 1 Exercise 8: Maximizarea verosimilității, Partea 2 Exercise 9: Incertitudinea modelului și distribuțiile eșantioanelor

Exercițiul curent

Exercise 10: Bootstrap și eroarea standard Exercise 11: Estimarea vitezei și a intervalului de încredere Exercise 12: Vizualizează distribuția bootstrap Exercise 13: Erorile modelului și caracterul aleatoriu Exercise 14: Statistici de Test și Mărimea Efectului Exercise 15: Ipoteza nulă Exercise 16: Vizualizarea statisticilor de test Exercise 17: Vizualizarea valorii p Exercise 18: Concluzia cursului