Bootstrappade regressioner
Under arbetet för Long Beach parks- och fritidsförvaltning, där du undersöker sambandet mellan NO2 och SO2, upptäckte du ett kluster av potentiella avvikande värden som du misstänker kan påverka korrelationerna.
Undersök osäkerheten i dina korrelationer med hjälp av bootstrap-omsampling för att se hur stabila dina anpassningar är. För enkelhets skull är bootstrap-samplingen redan utförd och finns tillgänglig som no2_so2_boot, tillsammans med no2_so2 för de icke-omsamplade data.
Den här övningen är en del av kursen
Förbättra dina datavisualiseringar i Python
Övningsinstruktioner
- Tala om för
sns.lmplot()att den ska rita en separat regressionslinje för varje bootstrap-sample. - Färgsätt varje regressionslinje med
'steelblue'och gör dem 20 % ogenomskinliga. - Inaktivera Seaborns standardmässiga konfidensband runt regressionslinjerna.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
sns.lmplot('NO2', 'SO2', data = no2_so2_boot,
# Tell seaborn to a regression line for each sample
____ = 'sample',
# Make lines blue and transparent
line_kws = {'____': 'steelblue', '____': 0.2},
# Disable built-in confidence intervals
ci = ____, legend = False, scatter = False)
# Draw scatter of all points
plt.scatter('NO2', 'SO2', data = no2_so2)
plt.show()