การรัน Bootstrap แบบเบื้องต้น
ยินดีต้อนรับสู่แบบฝึกหัดแรกในหัวข้อ Bootstrapping เราจะฝึกผ่านตัวอย่างที่แสดงวิธีรัน Bootstrap แบบเบื้องต้น ดังที่เห็นในวิดีโอ แนวคิดหลักของ Bootstrapping คือการสุ่มตัวอย่างแบบคืนค่า (sampling with replacement)
สมมติว่าคุณเป็นเจ้าของโรงงานผลิตประแจ และต้องการวิเคราะห์ความยาวเฉลี่ยของประแจเพื่อให้แน่ใจว่าเป็นไปตามข้อกำหนด โรงงานผลิตประแจหลายพันชิ้นต่อวัน แต่การวัดทุกชิ้นนั้นไม่สามารถทำได้ในทางปฏิบัติ อย่างไรก็ตาม คุณมีตัวอย่างตัวแทนจำนวน 100 ชิ้น มาใช้ Bootstrapping เพื่อหา 95% confidence interval (CI) ของความยาวเฉลี่ยกัน
ลองตรวจสอบลิสต์ wrench_lengths ซึ่งบันทึกความยาวที่วัดได้จากประแจ 100 ชิ้นใน shell
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การจำลองทางสถิติด้วย Python
คำแนะนำการฝึกหัด
- สุ่มตัวอย่างแบบคืนค่าจาก
wrench_lengthsแล้วเก็บผลไว้ในtemp_sampleโดยตั้งค่าsize = len(wrench_lengths) - คำนวณความยาวเฉลี่ยของแต่ละตัวอย่าง กำหนดให้กับ
sample_meanจากนั้น append ลงในmean_lengths - คำนวณค่าเฉลี่ยแบบ Bootstrap (
boot_mean) และ 95% confidence interval แบบ Bootstrap (boot_95_ci) โดยใช้np.percentile()
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Draw some random sample with replacement and append mean to mean_lengths.
mean_lengths, sims = [], 1000
for i in range(sims):
temp_sample = ____(____, replace=____, size=____)
sample_mean = ____
mean_lengths.append(sample_mean)
# Calculate bootstrapped mean and 95% confidence interval.
boot_mean = np.mean(____)
boot_95_ci = ____(mean_lengths, [2.5, 97.5])
print("Bootstrapped Mean Length = {}, 95% CI = {}".format(boot_mean, boot_95_ci))