Kom igångKom igång gratis

Intervall på 90, 95 och 99 %

Du arbetar som datavetare på ett äventyrsföretag i Fairbanks, Alaska. På sistone har kunderna drabbats av SO2-föroreningar, vilket har lett till kostsamma inställda turer. Företaget har sensorer för CO, NO2 och O3, men inte för SO2-nivåer.

Du har byggt en modell som förutsäger SO2-värden baserat på värden från de pollutanter som har sensorer (laddad som pollution_model, ett statsmodels-objekt). Du vill undersöka vilken pollutants värde som har störst påverkan på modellens SO2-förutsägelse. Det hjälper dig att avgöra vilken pollutant du bör hålla extra koll på när du planerar utomhusturer. För att maximera informationsmängden i din rapport visas flera osäkerhetsnivåer för modellskattningarna.

Den här övningen är en del av kursen

Förbättra dina datavisualiseringar i Python

Visa kurs

Övningsinstruktioner

  • Fyll i lämpliga intervallbreddar i procent (90, 95 och 99 %) enligt värdena i listan alpha.
  • I for-loopen färgar du intervallet med den tilldelade color.
  • Skicka loopens width-procentvärde till plt.hlines() för att märka upp legenden.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Add interval percent widths
alphas = [     0.01,  0.05,   0.1] 
widths = [ '__% CI', '__%', '__%']
colors = ['#fee08b','#fc8d59','#d53e4f']

for alpha, color, width in zip(alphas, colors, widths):
    # Grab confidence interval
    conf_ints = pollution_model.conf_int(alpha)
    
    # Pass current interval color and legend label to plot
    plt.hlines(y = conf_ints.index, xmin = conf_ints[0], xmax = conf_ints[1],
               colors = ____, ____ = width, linewidth = 10) 

# Draw point estimates
plt.plot(pollution_model.params, pollution_model.params.index, 'wo', label = 'Point Estimate')

plt.legend()
plt.show()
Redigera och kör kod