เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การ Bootstrap เพื่อสร้างช่วงความเชื่อมั่น

Bootstrap เป็นเครื่องมือที่มีประโยชน์สำหรับประเมินความแปรปรวนของข้อมูล ในแบบฝึกหัดนี้ คุณจะเขียนฟังก์ชัน bootstrapping ขึ้นเองเพื่อใช้คืนค่าช่วงความเชื่อมั่นแบบ bootstrap

ฟังก์ชันนี้รับพารามิเตอร์สามตัว ได้แก่ อาร์เรย์ตัวเลข 2 มิติ (data) รายการเปอร์เซ็นไทล์ที่ต้องการคำนวณ (percentiles) และจำนวนรอบของการทำ bootstrap (n_boots) โดยใช้ฟังก์ชัน resample เพื่อสร้างตัวอย่าง bootstrap แล้วทำซ้ำหลายรอบเพื่อคำนวณช่วงความเชื่อมั่น

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning สำหรับข้อมูล Time Series ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ฟังก์ชันควรวนลูปตามจำนวนรอบ bootstrap (กำหนดโดยพารามิเตอร์ n_boots) และ:
    • สุ่มตัวอย่างข้อมูลแบบคืนค่า แล้วคำนวณค่าเฉลี่ยของตัวอย่างที่สุ่มได้
    • คำนวณเปอร์เซ็นไทล์ของ bootstrap_means แล้วคืนค่าผลลัพธ์

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

from sklearn.utils import ____

def bootstrap_interval(data, percentiles=(2.5, 97.5), n_boots=100):
    """Bootstrap a confidence interval for the mean of columns of a 2-D dataset."""
    # Create our empty array to fill the results
    bootstrap_means = np.zeros([n_boots, data.shape[-1]])
    for ii in range(____):
        # Generate random indices for our data *with* replacement, then take the sample mean
        random_sample = ____
        bootstrap_means[ii] = random_sample.mean(axis=0)
        
    # Compute the percentiles of choice for the bootstrapped means
    percentiles = ____(bootstrap_means, percentiles, axis=0)
    return percentiles
แก้ไขและรันโค้ด