Termer i en modell

Givet ett spridningsdiagram, välj den linjära modell som bäst passar datan.

Testa ditt svar med den fördefinierade funktionen plot_possible_answer(answer="X") för att plotta alternativen, där X är ett av svaren A–E.

Den här övningen är en del av kursen

Introduktion till linjär modellering i Python

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Introduktion till linjär modellering i Python

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Vi inleder kursen med att utforska linjära samband, inklusive motiverande exempel på hur linjära modeller används och demonstrationer av datavisualiseringsmetoder från matplotlib. Sedan använder vi deskriptiv statistik för att kvantifiera formen på vår data och korrelation för att mäta styrkan på det linjära sambandet mellan två variabler.

Exercise 1: Introduktion till datamodellering Exercise 2: Syften med modellering: Interpolation Exercise 3: Varför modellera: Extrapolering Exercise 4: Skäl att modellera: Uppskatta samband Exercise 5: Visualisering av linjära samband Exercise 6: Visualisera data Exercise 7: Rita modellen över datan Exercise 8: Uppskatta lutning och intercept visuellt Exercise 9: Kvantifiering av linjära samband Exercise 10: Medelvärde, avvikelse och standardavvikelse Exercise 11: Kovarians och korrelation Exercise 12: Korrelationsstyrka

Här tittar vi på de delar som ingår i att bygga en linjär modell. Med hjälp av begreppet Taylorserie fokuserar vi på parametrarna lutning och skärningspunkt, hur de definierar modellen och hur man tolkar dem i olika tillämpade sammanhang. Vi använder olika Python-moduler för att hitta den modell som bäst passar data, genom att beräkna de optimala värdena för lutning och skärningspunkt med minsta kvadratmetoden, NumPy, statsmodels och scikit-learn.

Exercise 1: Vad gör en modell linjär Exercise 2: Termer i en modell

Aktuell övning

Exercise 3: Modellkomponenter Exercise 4: Modellparametrar Exercise 5: Tolka lutning och skärningspunkt Exercise 6: Linjär proportionalitet Exercise 7: Lutning och förändringshastighet Exercise 8: Intercept och startpunkter Exercise 9: Modelloptimering Exercise 10: Residualernas kvadratsumma Exercise 11: Minimera residualerna Exercise 12: Visualisera RSS-minimat Exercise 13: Minsta-kvadrat-optimering Exercise 14: Minsta kvadratmetoden med `numpy`Exercise 15: Optimering med Scipy Exercise 16: Minsta kvadratmetoden med `statsmodels`

Härnäst tillämpar vi modeller på verklig data och gör förutsägelser. Vi undersöker några av de vanligaste fallgroparna och begränsningarna med förutsägelser, och utvärderar och jämför modeller genom att kvantifiera och kontrastera flera mått på anpassningskvalitet, däribland RMSE och R².

Exercise 1: Modellera verkliga data Exercise 2: Linjär modell inom antropologi Exercise 3: Linjär modell inom oceanografi Exercise 4: Linjär modell inom kosmologi Exercise 5: Prediktionernas begränsningar Exercise 6: Interpolation: Värden däremellan Exercise 7: Extrapolation: Att gå utanför gränserna Exercise 8: Anpassningskvalitet Exercise 9: RMSE steg för steg Exercise 10: R-kvadrat Exercise 11: Standardfel Exercise 12: Variation kring trenden Exercise 13: Variation i två delar

I vårt sista kapitel introducerar vi begrepp från inferensstatistik och använder dem för att utforska hur maximum likelihood-skattning och bootstrap-omsampling kan användas för att skatta linjära modellparametrar. Sedan tillämpar vi dessa metoder för att göra sannolikhetsbaserade uttalanden om vår tillit till modellparametrarna.

Exercise 1: Koncept inom inferensstatistik Exercise 2: Urvalsstatistik kontra populationsstatistik Exercise 3: Variation i urvalsstatistik Exercise 4: Visualisera en statistikas variation Exercise 5: Modellskattning och sannolikhet Exercise 6: Skattning av populationsparametrar Exercise 7: Maximera likelihood, del 1 Exercise 8: Maximera sannolikheten, del 2 Exercise 9: Modellosäkerhet och sampelfördelningar Exercise 10: Bootstrap och standardfel Exercise 11: Uppskatta hastighet och konfidensintervall Exercise 12: Visualisera bootstrap-fördelningen Exercise 13: Modellfel och slumpmässighet Exercise 14: Teststatistik och effektstorlek Exercise 15: Nollhypotes Exercise 16: Visualisera teststatistik Exercise 17: Visualisera p-värdet Exercise 18: Kursavslutning