Kom igångKom igång gratis

Linjär regression på lämpliga Anscombe-data

Öva på att utföra en linjär regression på den datamängd från Anscombes kvartett som lämpar sig bäst för linjär regression.

Den här övningen är en del av kursen

Statistiskt tänkande i Python (del 2)

Visa kurs

Övningsinstruktioner

  • Beräkna parametrarna för lutning och intercept med hjälp av np.polyfit(). Anscombe-data lagras i arrayerna x och y.
  • Skriv ut lutningen a och interceptet b.
  • Generera teoretiska \(x\)- och \(y\)-data från den linjära regressionen. Din array \(x\), som du kan skapa med np.array(), ska bestå av värdena 3 och 15. För att generera \(y\)-data multiplicerar du lutningen med x_theor och lägger till interceptet.
  • Rita Anscombe-data som ett spridningsdiagram och rita sedan den teoretiska linjen. Kom ihåg att inkludera nyckelordsargumenten marker='.' och linestyle='none' utöver x och y när du ritar spridningsdiagrammet. Du behöver inte dessa argument när du ritar den teoretiska linjen.
  • Klicka på Skicka in svar för att se diagrammet!

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Perform linear regression: a, b
a, b = ____

# Print the slope and intercept
print(____, ____)

# Generate theoretical x and y data: x_theor, y_theor
x_theor = np.array([____, ____])
y_theor = ____ * ____ + ____

# Plot the Anscombe data and theoretical line
_ = ____
_ = ____

# Label the axes
plt.xlabel('x')
plt.ylabel('y')

# Show the plot
plt.show()
Redigera och kör kod