Kom igångKom igång gratis

Visualisera bootstrapregressioner

Ett bra sätt att åskådliggöra den variation vi kan förvänta oss i en linjär regression är att plotta den linje som varje bootstrapreplikat av lutningen och interceptet ger upphov till. Gör detta för de första 100 av dina bootstrapreplikat av lutningen och interceptet (lagrade som bs_slope_reps och bs_intercept_reps).

Den här övningen är en del av kursen

Statistiskt tänkande i Python (del 2)

Visa kurs

Övningsinstruktioner

  • Skapa en array med \(x\)-värden bestående av 0 och 100 för plotten av regressionslinjerna. Använd funktionen np.array() för detta.
  • Skriv en for-slinga där du plottar en regressionslinje med en lutning och ett intercept från bootstrapreplikatsparen. Gör detta för 100 linjer.
    • När du plottar regressionslinjerna i varje iteration av for-slingan, kom ihåg regressionsformeln y = a*x + b. Här är a lika med bs_slope_reps[i] och b lika med bs_intercept_reps[i].
    • Ange nyckelordsargumenten linewidth=0.5, alpha=0.2 och color='red' i ditt anrop till plt.plot().
  • Skapa ett punktdiagram med illiteracy på x-axeln och fertility på y-axeln. Kom ihåg att ange nyckelordsargumenten marker='.' och linestyle='none'.
  • Märk ut axlarna, sätt en marginal på 2 % och visa plotten. Det har redan gjorts åt dig – klicka på Skicka in svar för att visualisera bootstrapregression!

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()
Redigera och kör kod