Bắt đầu ngayBắt đầu miễn phí

Khoảng 90%, 95% và 99%

Bạn là nhà khoa học dữ liệu cho một công ty du lịch mạo hiểm ngoài trời ở Fairbanks, Alaska. Gần đây, khách hàng gặp vấn đề với ô nhiễm SO2, dẫn đến nhiều hủy chuyến tốn kém. Công ty có cảm biến cho CO, NO2 và O3 nhưng không có cho SO2.

Bạn đã xây dựng một mô hình dự đoán giá trị SO2 dựa trên các chất ô nhiễm có cảm biến (được nạp là pollution_model, một đối tượng statsmodels). Bạn muốn tìm hiểu giá trị của chất ô nhiễm nào có ảnh hưởng lớn nhất đến dự đoán SO2 của mô hình. Điều này sẽ giúp bạn biết nên chú ý nhất đến giá trị của chất nào khi lập kế hoạch các chuyến đi ngoài trời. Để tối đa hóa lượng thông tin trong báo cáo, hãy hiển thị nhiều mức độ bất định cho các ước lượng của mô hình.

Bài tập này là một phần của khóa học

Nâng cấp trực quan hóa dữ liệu của bạn với Python

Xem khóa học

Hướng dẫn bài tập

  • Điền phần trăm độ rộng khoảng phù hợp (trong số 90, 95 và 99%) theo danh sách giá trị trong alpha.
  • Trong vòng lặp for, tô màu khoảng theo color được gán cho nó.
  • Truyền giá trị phần trăm width của vòng lặp vào plt.hlines() để gắn nhãn chú giải.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# 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()
Chỉnh sửa và Chạy Mã