Tối thiểu hóa phần dư

Trong bài tập này, bạn sẽ hoàn thiện một hàm để so sánh trực quan giữa mô hình và dữ liệu, đồng thời tính và in ra RSS. Bạn sẽ gọi hàm này nhiều lần để xem RSS thay đổi thế nào khi bạn thay đổi các giá trị a0 và a1. Chúng ta sẽ thấy rằng các giá trị tham số đã tìm được trước đó chính là những giá trị tối thiểu hóa RSS.

Bài tập này là một phần của khóa học

Nhập môn Mô hình tuyến tính với Python

Xem khóa học

Hướng dẫn bài tập

Điền lời gọi model() với dữ liệu xd và các tham số mô hình a0, a1.
Tính rss là tổng bình phương của residuals.
Dùng compute_rss_and_plot_fit() với nhiều giá trị khác nhau của a0 và a1 để xem chúng làm RSS thay đổi ra sao.
Tự kiểm chứng rằng các giá trị ban đầu a0=150 và a1=25 làm RSS nhỏ nhất, và gửi bài của bạn với các giá trị này.

Bài tập tương tác thực hành trực tiếp

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

# Complete function to load data, build model, compute RSS, and plot
def compute_rss_and_plot_fit(a0, a1):
    xd, yd = load_data()
    ym = model(xd, ____, ____)
    residuals = ym - yd
    rss = np.sum(np.square(____))
    summary = "Parameters a0={}, a1={} yield RSS={:0.2f}".format(____, ____, rss)
    fig = plot_data_with_model(xd, yd, ym, summary)
    return rss, summary

# Chose model parameter values and pass them into RSS function
rss, summary = compute_rss_and_plot_fit(a0=____, a1=____)
print(summary)

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Nhập môn Mô hình tuyến tính với Python

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Chúng ta bắt đầu khóa học bằng việc khám phá ban đầu các mối quan hệ tuyến tính, bao gồm một số ví dụ truyền cảm hứng về cách mô hình tuyến tính được sử dụng và minh họa các phương pháp trực quan hóa dữ liệu từ matplotlib. Sau đó, chúng ta dùng thống kê mô tả để định lượng hình dạng dữ liệu và dùng tương quan để định lượng độ mạnh của mối quan hệ tuyến tính giữa hai biến.

Exercise 1: Giới thiệu về mô hình hóa dữ liệu Exercise 2: Lý do mô hình hóa: Nội suy Exercise 3: Lý do mô hình hóa: Ngoại suy (Extrapolation)Exercise 4: Lý do để Mô hình hóa: Ước lượng Quan hệ Exercise 5: Trực quan hóa các mối quan hệ tuyến tính Exercise 6: Vẽ biểu đồ dữ liệu Exercise 7: Vẽ mô hình lên trên dữ liệu Exercise 8: Ước lượng trực quan độ dốc và hệ số chặn Exercise 9: Định lượng mối quan hệ tuyến tính Exercise 10: Giá trị trung bình, Độ lệch & Độ lệch chuẩn Exercise 11: Hiệp phương sai và Tương quan Exercise 12: Độ mạnh tương quan

Tại đây, chúng ta xem xét các thành phần cấu thành nên một mô hình tuyến tính. Sử dụng khái niệm Chuỗi Taylor, chúng ta tập trung vào các tham số độ dốc (slope) và hệ số chặn (intercept), cách chúng xác định mô hình và cách diễn giải chúng trong nhiều ngữ cảnh ứng dụng. Chúng ta áp dụng nhiều mô-đun Python để tìm mô hình khớp dữ liệu tốt nhất, bằng cách tính các giá trị tối ưu của độ dốc và hệ số chặn, sử dụng bình phương tối thiểu, numpy, statsmodels và scikit-learn.

Exercise 1: Điều gì khiến một mô hình là tuyến tính Exercise 2: Các hạng trong một mô hình Exercise 3: Các thành phần của mô hình Exercise 4: Tham số mô hình Exercise 5: Diễn giải hệ số góc và hệ số chặn Exercise 6: Tỷ lệ tuyến tính Exercise 7: Độ dốc và Tốc độ thay đổi Exercise 8: Hệ số chặn và điểm bắt đầu Exercise 9: Tối ưu hóa mô hình Exercise 10: Tổng bình phương phần dư Exercise 11: Tối thiểu hóa phần dư

Bài tập hiện tại

Exercise 12: Trực quan hóa điểm cực tiểu của RSS Exercise 13: Tối ưu bình phương tối thiểu Exercise 14: Bình phương tối thiểu với `numpy`Exercise 15: Tối ưu hóa với Scipy Exercise 16: Bình phương tối thiểu với `statsmodels`

Tiếp theo, chúng ta sẽ áp dụng mô hình vào dữ liệu thực và tạo dự đoán. Chúng ta sẽ khám phá một số cạm bẫy và giới hạn thường gặp của dự đoán, và đánh giá, so sánh các mô hình bằng cách định lượng và đối chiếu một số thước đo độ phù hợp, bao gồm RMSE và R-squared.

Exercise 1: Mô hình hóa dữ liệu thực Exercise 2: Mô hình tuyến tính trong Nhân học Exercise 3: Mô hình tuyến tính trong Hải dương học Exercise 4: Mô hình tuyến tính trong Vũ trụ học Exercise 5: Giới hạn của dự đoán Exercise 6: Nội suy: Khoảng thời gian ở giữa Exercise 7: Nội suy quá đà: Đi quá giới hạn Exercise 8: Mức độ phù hợp (Goodness-of-Fit)Exercise 9: RMSE từng bước Exercise 10: R-Squared Exercise 11: Sai số chuẩn Exercise 12: Độ biến thiên quanh xu thế Exercise 13: Phân rã phương sai thành hai phần

Ở chương cuối, chúng ta giới thiệu các khái niệm từ thống kê suy luận và sử dụng chúng để tìm hiểu cách ước lượng hợp lý tối đa và bootstrap resampling có thể dùng để ước lượng tham số của mô hình tuyến tính. Sau đó, chúng ta áp dụng các phương pháp này để đưa ra các phát biểu xác suất về mức độ tin cậy đối với các tham số mô hình.

Exercise 1: Các khái niệm về thống kê suy luận Exercise 2: Thống kê mẫu so với tổng thể Exercise 3: Độ biến thiên của thống kê mẫu Exercise 4: Trực quan hóa độ biến thiên của một thống kê Exercise 5: Ước lượng mô hình và Hợp lý Exercise 6: Ước lượng tham số tổng thể Exercise 7: Tối đa hóa Likelihood, Phần 1 Exercise 8: Tối đa hóa khả năng xảy ra (Likelihood), Phần 2 Exercise 9: Độ bất định của mô hình và phân phối mẫu Exercise 10: Bootstrap và Sai số chuẩn Exercise 11: Ước lượng tốc độ và khoảng tin cậy Exercise 12: Trực quan hóa Bootstrap Exercise 13: Sai số mô hình và tính ngẫu nhiên Exercise 14: Thống kê kiểm định và kích thước hiệu ứng Exercise 15: Giả thuyết không Exercise 16: Trực quan hóa thống kê kiểm định Exercise 17: Trực quan hóa P-Value Exercise 18: Kết thúc khóa học