視覺化 Bootstrap
延續本課先前的內容，來把以 bootstrap 重抽樣估計的速度分佈視覺化。我們對每個樣本都以最小平方法擬合斜率，用來檢驗斜率估計中的變異或不確定性。
為了幫你開始，我們已載入函式 compute_resample_speeds(distances, times)，用來計算並產生速度的樣本分佈。
本練習屬於課程
Python 線性建模入門
練習說明
- 使用預先定義的
compute_resample_speeds(distances, times)計算resample_speeds。 - 使用
np.mean()從resample_speeds計算speed_estimate。 - 使用帶有
[5, 95]的np.percentile()計算resample_speeds的percentiles，作為信賴區間的邊界。 - 使用
axis.hist()並以hist_bin_edges指定箱數，繪製resample_speeds。 - 使用
axis.axvline，指定percentiles中正確的兩個索引，在圖上標出信賴區間邊界。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Create the bootstrap distribution of speeds
resample_speeds = compute_resample_speeds(____, ____)
speed_estimate = np.mean(____)
percentiles = np.percentile(____, [5, 95])
# Plot the histogram with the estimate and confidence interval
fig, axis = plt.subplots()
hist_bin_edges = np.linspace(0.0, 4.0, 21)
axis.hist(____, ____, color='green', alpha=0.35, rwidth=0.8)
axis.axvline(speed_estimate, label='Estimate', color='black')
axis.axvline(percentiles[____], label=' 5th', color='blue')
axis.axvline(percentiles[____], label='95th', color='blue')
axis.legend()
plt.show()