Bootstrap'ı Görselleştir
Bu derste kaldığımız yerden devam ederek, bootstrap örneklemesiyle tahmin edilen hızların bootstrap dağılımını görselleştirelim. Her örneklem için eğime en küçük kareler uyumu hesaplayarak eğim tahminimizdeki değişimi ya da belirsizliği test etmiştik.
Başlaman için, hız örneklem dağılımını üreten hesaplamayı yapan compute_resample_speeds(distances, times) fonksiyonunu önceden yükledik.
Bu egzersiz, kursun bir parçasıdır
Python ile Doğrusal Modellemenin Temelleri
Egzersiz talimatları
compute_resample_speeds(distances, times)fonksiyonunu kullanarakresample_speedsdeğerlerini hesapla.np.mean()ileresample_speeds'tenspeed_estimatedeğerini hesapla.- Güven aralığı sınırlarını tanımlayan
resample_speedsiçinnp.percentile()'i[5, 95]ile kullanarakpercentilesdeğerlerini hesapla. axis.hist()ileresample_speeds'i çiz ve bölmelerihist_bin_edgesile belirt.axis.axvlinekullanarak, grafikte güven aralığı sınırlarını işaretlemek içinpercentilesdizisinin doğru olan iki indeksini belirt.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Create the bootstrap distribution of speeds
resample_speeds = compute_resample_speeds(____, ____)
speed_estimate = np.mean(____)
percentiles = np.percentile(____, [5, 95])
# Plot the histogram with the estimate and confidence interval
fig, axis = plt.subplots()
hist_bin_edges = np.linspace(0.0, 4.0, 21)
axis.hist(____, ____, color='green', alpha=0.35, rwidth=0.8)
axis.axvline(speed_estimate, label='Estimate', color='black')
axis.axvline(percentiles[____], label=' 5th', color='blue')
axis.axvline(percentiles[____], label='95th', color='blue')
axis.legend()
plt.show()