ПочатиПочніть безкоштовно

Візуальна оцінка нахилу та перетину

Побудова лінійних моделей — це автоматизований спосіб зробити те, що ми приблизно можемо зробити «вручну» за допомогою візуалізації даних і численних спроб і помилок. Візуальний метод не найефективніший і не найточніший, проте він дуже добре ілюструє ідеї, тож спробуймо!

Маючи виміряні дані, ваша мета — підібрати значення для нахилу та перетину, передати їх у модель і коригувати здогад, доки модель не почне добре описувати дані. Скористайтеся наданими даними xd, yd і функцією model() для створення прогнозів моделі. Порівняйте прогнози з даними за допомогою plot_data_and_model().

Ця вправа є частиною курсу

Вступ до лінійного моделювання в Python

Переглянути курс

Інструкції до вправи

  • Ознайомтеся з діаграмою вище й запропонуйте попередні оцінки trial_slope і trial_intercept. Їх можна буде змінити далі у вправі.
  • Використайте заздалегідь визначену функцію xm, ym = model(intercept, slope), щоб згенерувати прогнози моделі.
  • Використайте функцію fig = plot_data_and_model(xd, yd, xm, ym), щоб відобразити виміряні дані (xd, yd) і змодельовані прогнози (xm, ym) разом.
  • Якщо модель не відповідає даним, спробуйте інші значення trial_slope і trial_intercept та перезапустіть код.
  • Повторюйте, доки не будете впевнені, що маєте найкращі значення. Потім присвойте їх змінним final_slope і final_intercept та натисніть Submit Answer.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Look at the plot data and guess initial trial values
trial_slope = ____
trial_intercept = ____

# input thoses guesses into the model function to compute the model values.
xm, ym = ____(trial_intercept, trial_slope)

# Compare your your model to the data with the plot function
fig = ____(xd, yd, xm, ym)
plt.show()

# Repeat the steps above until your slope and intercept guess makes the model line up with the data.
final_slope = ____
final_intercept = ____
Редагувати та запускати код