Fördelning av fel
Nästan inga verkliga processer kan förutsägas perfekt. Ett önskvärt resultat är att felet är normalfördelat. Det innebär att vissa faktiska värden hamnar över din prediktion och andra under den. Med andra ord kommer felen – det vill säga skillnaden mellan de faktiska värdena och prediktionerna – att verka "sväva" slumpmässigt kring noll.
I den här övningen analyserar du resultaten från en färdigbyggd linjär modell som förutsäger en polismans lön. Du undersöker sedan felet och ser om det är ungefär normalfördelat. Prediktionerna är en lista med värden lagrade i preds, och de faktiska lönerna är en lista med värden lagrade i salaries.
Den här övningen är en del av kursen
Grunderna i inferens med Python
Övningsinstruktioner
- Beräkna felet som de faktiska lönerna minus de predikterade lönerna.
- Rita upp felen i ett histogram.
- Genomför ett Anderson-Darling-test för normalitet på felen.
- Ta reda på och skriv ut den eller de
significance_level(s) där nollhypotesen skulle förkastas.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Compute the error as actual minus predicted salary
error = ____
# Plot the errors as a histogram
plt.____(____)
plt.show()
# Conduct an Anderson-Darling test using the years of experience
result = ____(____)
# Find where the result is significant
print(result.____[result.____ > result.____])