Bootstrapping cho khoảng tin cậy
Một công cụ hữu ích để đánh giá độ biến thiên của dữ liệu là bootstrap. Trong bài này, bạn sẽ viết hàm bootstrapping của riêng mình để trả về một khoảng tin cậy bootstrapped.
Hàm này nhận ba tham số: một mảng 2 chiều các số (data), một danh sách các percentile cần tính (percentiles), và số vòng lặp bootstrap sẽ dùng (n_boots). Hàm sử dụng resample để tạo một mẫu bootstrap, rồi lặp lại nhiều lần để tính khoảng tin cậy.
Bài tập này là một phần của khóa học
Machine Learning cho Dữ liệu Chuỗi thời gian bằng Python
Hướng dẫn bài tập
- Hàm cần lặp theo số lần bootstrap (truyền qua tham số
n_boots) và:- Lấy một mẫu ngẫu nhiên từ dữ liệu, có hoàn lại, và tính trung bình của mẫu ngẫu nhiên này
- Tính các percentile của
bootstrap_meansvà trả về kết quả
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
from sklearn.utils import ____
def bootstrap_interval(data, percentiles=(2.5, 97.5), n_boots=100):
"""Bootstrap a confidence interval for the mean of columns of a 2-D dataset."""
# Create our empty array to fill the results
bootstrap_means = np.zeros([n_boots, data.shape[-1]])
for ii in range(____):
# Generate random indices for our data *with* replacement, then take the sample mean
random_sample = ____
bootstrap_means[ii] = random_sample.mean(axis=0)
# Compute the percentiles of choice for the bootstrapped means
percentiles = ____(bootstrap_means, percentiles, axis=0)
return percentiles