Kom igångKom igång gratis

Visa resultaten från den linjära regressionen

Nu ska du visa dina linjära regressionsresultat i spridningsdiagrammet, vars kod redan är förskriven från föregående övning. Ta de första 100 bootstrap-urvalen (lagrade i bs_slope_reps_1975, bs_intercept_reps_1975, bs_slope_reps_2012 och bs_intercept_reps_2012) och rita linjerna med nyckelordsargumenten alpha=0.2 och linewidth=0.5 till plt.plot().

Den här övningen är en del av kursen

Statistiskt tänkande i Python (del 2)

Visa kurs

Övningsinstruktioner

  • Generera \(x\)-värdena för bootstrap-linjerna med np.array(). De ska bestå av 10 mm och 17 mm.
  • Skriv en for-slinga för att rita 100 av bootstrap-linjerna för datamängderna från 1975 och 2012. Linjerna för 1975 års datamängd ska vara 'blue' och de för 2012 ska vara 'red'.
  • Klicka på Skicka in svar för att visa diagrammet!

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Make scatter plot of 1975 data
_ = plt.plot(bl_1975, bd_1975, marker='.',
             linestyle='none', color='blue', alpha=0.5)

# Make scatter plot of 2012 data
_ = plt.plot(bl_2012, bd_2012, marker='.',
             linestyle='none', color='red', alpha=0.5)

# Label axes and make legend
_ = plt.xlabel('beak length (mm)')
_ = plt.ylabel('beak depth (mm)')
_ = plt.legend(('1975', '2012'), loc='upper left')

# Generate x-values for bootstrap lines: x
x = np.array([____, ____])

# Plot the bootstrap lines
for i in range(100):
    plt.plot(____, ____,
             linewidth=0.5, alpha=0.2, color=____)
    plt.plot(____, ____,
             linewidth=0.5, alpha=0.2, color=____)

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