НачатьНачать бесплатно

Визуализация бутстреп-регрессий

Хороший способ наглядно оценить разброс, ожидаемый при линейной регрессии, — построить прямые, соответствующие каждой бутстреп-реплике наклона и свободного члена. Сделайте это для первых 100 бутстреп-реплик наклона и свободного члена (хранящихся в bs_slope_reps и bs_intercept_reps).

Это упражнение является частью курса

Статистическое мышление на Python (часть 2)

Посмотреть курс

Инструкции к упражнению

  • Создайте массив \(x\)-значений, состоящий из 0 и 100, для построения линий регрессии. Используйте для этого функцию np.array().
  • Напишите цикл for, в котором вы будете строить линию регрессии с наклоном и свободным членом, заданными парными бутстреп-репликами. Постройте таким образом 100 линий.
    • При построении линий регрессии на каждой итерации цикла for используйте уравнение регрессии y = a*x + b. Здесь a — это bs_slope_reps[i], а b — bs_intercept_reps[i].
    • Укажите именованные аргументы linewidth=0.5, alpha=0.2 и color='red' в вызове plt.plot().
  • Постройте точечный график: по оси x — illiteracy, по оси y — fertility. Не забудьте указать именованные аргументы marker='.' и linestyle='none'.
  • Подпишите оси, задайте отступ в 2% и отобразите график. Этот шаг уже выполнен за вас — нажмите «Отправить ответ», чтобы увидеть бутстреп-регрессии!

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Generate array of x-values for bootstrap lines: x
x = ____

# Plot the bootstrap lines
for i in range(____):
    _ = plt.plot(____, 
                 ____*x + ____,
                 ____=0.5, ____=0.2, ____='red')

# Plot the data
_ = ____

# Label axes, set the margins, and show the plot
_ = plt.xlabel('illiteracy')
_ = plt.ylabel('fertility')
plt.margins(0.02)
plt.show()
Редактировать и запускать код