ПочатиПочніть безкоштовно

Інтервали 90%, 95% і 99%

Ви працюєте дата-сайентестом в компанії з організації пригод на відкритому повітрі у Фербенксі, Аляска. Останнім часом клієнти стикаються з проблемами через забруднення SO2, що призводить до дорогих скасувань. Компанія має сенсори для CO, NO2 та O3, але не для рівнів SO2.

Ви створили модель, яка прогнозує значення SO2 на основі значень забрудників із сенсорами (завантажена як pollution_model, об'єкт statsmodels). Ви хочете з'ясувати, значення якого забрудника має найбільший вплив на прогноз SO2 вашої моделі. Це допоможе вам зрозуміти, на значення якого забрудника варто звертати найбільшу увагу під час планування турів на відкритому повітрі. Щоб максимально наситити звіт інформацією, покажіть кілька рівнів невизначеності для оцінок моделі.

Ця вправа є частиною курсу

Удосконалення візуалізацій даних у Python

Переглянути курс

Інструкції до вправи

  • Заповніть відповідні відсотки ширини інтервалу (з 90, 95 і 99%) згідно зі списком значень у alpha.
  • У циклі for зафарбуйте інтервал його призначеним color.
  • Передайте відсоткове значення width із циклу до plt.hlines(), щоб підписати легенду.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Add interval percent widths
alphas = [     0.01,  0.05,   0.1] 
widths = [ '__% CI', '__%', '__%']
colors = ['#fee08b','#fc8d59','#d53e4f']

for alpha, color, width in zip(alphas, colors, widths):
    # Grab confidence interval
    conf_ints = pollution_model.conf_int(alpha)
    
    # Pass current interval color and legend label to plot
    plt.hlines(y = conf_ints.index, xmin = conf_ints[0], xmax = conf_ints[1],
               colors = ____, ____ = width, linewidth = 10) 

# Draw point estimates
plt.plot(pollution_model.params, pollution_model.params.index, 'wo', label = 'Point Estimate')

plt.legend()
plt.show()
Редагувати та запускати код