Prédire avec une droite

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 38 sur 64.

Une droite ajustée est une petite machine à prédictions : entrez une nouvelle valeur de x, obtenez une valeur de y. Un chiot a été pesé de la semaine 8 à la semaine 20 :

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))

Cela affiche [ 6.6 25.2]. La semaine 15 se situe dans les données. Ce n’est pas le cas de la semaine 52, et la droite continue de monter longtemps après que le chien a cessé de grandir :

Sept pesées de la semaine 8 à la semaine 20 sur une droite ajustée. La droite se prolonge en pointillés dans une zone ombrée indiquée comme étant en dehors des données, et atteint 25.2 kg à la semaine 52, tandis qu’une courbe en pointillés représentant un vrai chien plafonne près de 13 kg

Prédire en dehors de la plage des données est une extrapolation, et c’est risqué : un modèle n’est fiable que pour des entrées semblables à celles à partir desquelles il a appris. Vérifie d’abord :

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

Cela affiche False.

Défi

Moyen

Une bougie a été mesurée toutes les heures pendant qu’elle brûlait, de l’heure 0 à l’heure 6 : hours et height en cm. Le programme lit new_hours.

Ajuste la droite qui prédit height à partir de hours.
Affiche sa prédiction pour new_hours, arrondie à 2 décimales.
Affiche si new_hours se trouve dans l’intervalle des heures des données, bornes incluses.

Pour la valeur d’entrée 4.5 :

Predicted height: 13.07 cm
Inside the data: yes

Essayez vous-même

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())

# Écrivez votre code ci-dessous

Testez-vous

Cette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.

Toutes les leçons de Statistiques pour le ML

Entraînez-vous par vous-même : Compilateur Python en ligne