Eğilim Etrafındaki Değişim

Veriler mükemmel şekilde doğrusal olmak zorunda değildir; ölçümlerde rastgele bir değişkenlik veya "yayılım" olabilir ve bu durum model parametrelerindeki değişime de yansır. Bu parametrelerdeki değişim "standart hata" ile nicelenir ve model parametresi tahminindeki "belirsizlik" olarak yorumlanır.

Bu egzersizde, statsmodels içindeki ols ile bir model kuracak ve o modelin her parametresi için standart hatayı çıkaracaksın.

Bu egzersiz, kursun bir parçasıdır

Python ile Doğrusal Modellemenin Temelleri

Kursa Göz Atın

Egzersiz talimatları

Önceden yüklenmiş verileri bir DataFrame df içinde sakla; x_data için etiket times, y_data için etiket distances olsun.
model_fit = ols().fit() kullanarak data=df üzerinde formula="distances ~ times" biçiminde doğrusal bir model uydur.
Tahmini kesişimi model_fit.params['Intercept'] ve eğimin standart hatasını model_fit.bse['Intercept'] içinden çıkar.
Eğimi de aynı şekilde elde et ve ardından dördünü de anlamlı adlarla yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Store x_data and y_data, as times and distances, in df, and use ols() to fit a model to it.
df = pd.DataFrame(dict(____=x_data, ____=y_data))
model_fit = ols(____="distances ~ times", data=____).____()

# Extact the model parameters and their uncertainties
a0 = model_fit.____['Intercept']
e0 = model_fit.____['Intercept']
a1 = model_fit.____['times']
e1 = model_fit.____['times']

# Print the results with more meaningful names
print('Estimate    of the intercept = {:0.2f}'.format(____))
print('Uncertainty of the intercept = {:0.2f}'.format(____))
print('Estimate    of the slope = {:0.2f}'.format(____))
print('Uncertainty of the slope = {:0.2f}'.format(____))

Kodu Düzenle ve Çalıştır