Ekstrapolasyon: Sınırın Ötesine Geçmek
Bu egzersizde, ekstrapolasyonun risklerini ele alıyoruz. Burada bir dağdaki yürüyüş parkurunun profili gösteriliyor. Parkurun siyahla işaretlenen bir kısmı doğrusal görünüyor ve bir model kurmak için kullanılmış. Ancak en iyi uyum doğrusu (kırmızı) orijinal "tanım aralığı"nın dışında, maviyle işaretlenen yeni verilere taşınca uyum sağlamıyor.
Modeli yükseklik için tahmin yapmakta kullanmak istiyorsak ve belli bir tolerans içinde doğru kalmak istiyorsak, bağımsız değişken x için modele uygulayabileceğimiz en küçük ve en büyük değerler nelerdir?
Burada, çözümünü tamamlamak için önceden yüklenmiş x_data, y_data, y_model ve plot_data_model_tolerance() fonksiyonunu kullan.
Bu egzersiz, kursun bir parçasıdır
Python ile Doğrusal Modellemenin Temelleri
Egzersiz talimatları
- Artıkları
y_data - y_modelfarkları olarak hesaplamak içinnp.abs()kullan residualsdeğerlerinintolerance = 100metreten küçük olduğuxnoktalarının.min()ve.max()değerlerini bul.x_gooddeğerlerinin aralığını (en büyük ve en küçük) yazdırmak içinnp.min()venp.max()kullan.residuals < toleranceifadesininTrueolduğux_goodaralığını veri ve modelle karşılaştırmak için tanımlıplot_data_model_tolerance()fonksiyonunu kullan.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Compute the residuals, "data - model", and determine where [residuals < tolerance]
residuals = np.abs(____ - ____)
tolerance = 100
x_good = x_data[____ < ____]
# Find the min and max of the "good" values, and plot y_data, y_model, and the tolerance range
print('Minimum good x value = {}'.format(np.____(____)))
print('Maximum good x value = {}'.format(np.____(____)))
fig = plot_data_model_tolerance(x_data, y_data, y_model, tolerance)