Оценка показателей ИМТ

Какова разница в прогнозируемой прогрессии диабета (отклик y) у пациентов с ИМТ из верхних 10% по сравнению с пациентами из нижних 10%? Чтобы ответить на этот вопрос, вы воспользуетесь результатами симуляции с выборкой из многомерного нормального распределения!

Симуляция уже выполнена за вас — ваша задача состоит в том, чтобы проанализировать её результаты в df_results.

Следующие библиотеки уже импортированы: pandas как pd, numpy как np и scipy.stats как st.

Это упражнение является частью курса

Симуляции Монте-Карло на Python

Посмотреть курс

Инструкции к упражнению

С помощью np.quantile() вычислите 10-й и 90-й квантили значений bmi в результатах симуляции и сохраните их как bmi_q10 и bmi_q90.
Используйте bmi_q10 и bmi_q90 для фильтрации df_summary и получения прогнозируемых значений y.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

simulation_results = st.multivariate_normal.rvs(mean=mean_dia, size=20000, cov=cov_dia)
df_results = pd.DataFrame(simulation_results,columns=["age", "bmi", "bp", "tc", "ldl", "hdl", "tch", "ltg", "glu"])
predicted_y = regr_model.predict(df_results)
df_y = pd.DataFrame(predicted_y, columns=["predicted_y"])
df_summary = pd.concat([df_results,df_y], axis=1)

# Calculate the 10th and 90th quantile of bmi in the simulated results
bmi_q10 = np.quantile(df_summary["bmi"], ____)
bmi_q90 = np.quantile(df_summary["bmi"], ____)

# Use bmi_q10 and bmi_q90 to filter df_summary and obtain predicted y values
mean_bmi_q90_outcome = np.mean(df_summary[____]["predicted_y"]) 
mean_bmi_q10_outcome = np.mean(df_summary[____]["predicted_y"])
y_diff = mean_bmi_q90_outcome - mean_bmi_q10_outcome
print(y_diff)

Редактировать и запускать код