เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การถดถอยแบบ Bootstrap

ขณะทำงานให้กับแผนกสวนสาธารณะและนันทนาการของเมือง Long Beach เพื่อศึกษาความสัมพันธ์ระหว่าง NO2 และ SO2 คุณสังเกตพบกลุ่มของค่าผิดปกติที่อาจส่งผลต่อค่าสหสัมพันธ์

SO2 NO2 scatter

ตรวจสอบความไม่แน่นอนของค่าสหสัมพันธ์ผ่านการสุ่มตัวอย่างแบบ bootstrap เพื่อดูว่าผลลัพธ์มีความเสถียรเพียงใด ข้อมูลที่สุ่มตัวอย่างแล้วจัดเตรียมไว้ให้เป็น no2_so2_boot และข้อมูลที่ยังไม่ได้สุ่มตัวอย่างเป็น no2_so2

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การพัฒนาการแสดงผลข้อมูลใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • บอกให้ sns.lmplot() วาดเส้นถดถอยแยกสำหรับแต่ละ sample ที่ได้จาก bootstrap
  • กำหนดสีเส้นถดถอยทุกเส้นเป็น 'steelblue' และตั้งค่าความทึบแสงที่ 20%
  • ปิดการแสดงแถบความเชื่อมั่นที่ Seaborn สร้างขึ้นโดยค่าเริ่มต้นรอบเส้นถดถอย

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

sns.lmplot('NO2', 'SO2', data = no2_so2_boot,
           # Tell seaborn to a regression line for each sample
           ____ = 'sample', 
           # Make lines blue and transparent
           line_kws = {'____': 'steelblue', '____': 0.2},
           # Disable built-in confidence intervals
           ci = ____, legend = False, scatter = False)

# Draw scatter of all points
plt.scatter('NO2', 'SO2', data = no2_so2)

plt.show()
แก้ไขและรันโค้ด