Mit einer Linie Vorhersagen treffen

Teil des Abschnitts Statistik für ML der Machine Learning-Journey von Coddy. Lektion 38 von 64.

Eine angepasste Gerade ist eine kleine Vorhersagemaschine: Gib ein neues x ein und erhalte ein y zurück. Ein Welpe wurde von Woche 8 bis Woche 20 gewogen:

weeks = np.array([8, 10, 12, 14, 16, 18, 20])
kg = np.array([3.1, 4.0, 5.2, 6.1, 7.0, 8.2, 9.1])
slope, intercept = np.polyfit(weeks, kg, 1)
new_weeks = np.array([15, 52])
print(np.round(slope * new_weeks + intercept, 1))

Dies gibt [ 6.6 25.2] aus. Woche 15 liegt innerhalb der Daten. Woche 52 nicht, und die Linie steigt weiter an, lange nachdem der Hund aufgehört hat zu wachsen:

Sieben Wiegungen von Woche 8 bis 20 auf einer angepassten Linie. Die Linie verläuft gestrichelt in einen schattierten Bereich mit der Markierung außerhalb der Daten und erreicht bei Woche 52 25.2 kg, während die gepunktete Kurve eines echten Hundes sich bei etwa 13 kg abflacht

Vorhersagen außerhalb des Datenbereichs zu treffen, ist eine Extrapolation und riskant: Ein Modell ist nur bei Eingaben vertrauenswürdig, die denjenigen ähneln, mit denen es trainiert wurde. Prüfe zuerst:

week = 52
print(week >= weeks.min() and week <= weeks.max())

Dies gibt False aus.

Aufgabe

Mittel

Eine Kerze wurde beim Abbrennen jede Stunde gemessen, von Stunde 0 bis Stunde 6: hours und height in cm. Das Programm liest new_hours.

Passe die Gerade an, die height anhand von hours vorhersagt.
Gib ihre Vorhersage für new_hours, auf 2 Dezimalstellen gerundet, aus.
Gib aus, ob new_hours innerhalb der Stunden der Daten liegt, einschließlich beider Endpunkte.

Für die Eingabe 4.5:

Predicted height: 13.07 cm
Inside the data: yes

Probier es selbst

import numpy as np

hours = np.array([0, 1, 2, 3, 4, 5, 6])
height = np.array([20.0, 18.4, 17.1, 15.3, 13.9, 12.2, 10.8])
new_hours = float(input())

# Schreibe deinen Code unten