Tracciare la retta di adattamento

Fa parte della sezione Statistica per il machine learning del percorso Machine Learning di Coddy. Lezione 37 di 64.

Due numeri descrivono un adattamento; solo un grafico mostra se segue i dati. In una cucina sono state cronometrate sei ebollizioni del bollitore. Disegna la retta sullo stesso ax dello scatter:

liters = np.array([0.5, 0.8, 1.0, 1.2, 1.5, 1.7])
minutes = np.array([1.6, 2.4, 2.7, 3.3, 3.9, 4.5])
slope, intercept = np.polyfit(liters, minutes, 1)
xs = np.linspace(liters.min(), liters.max(), 50)
fig, ax = plt.subplots()
ax.scatter(liters, minutes, label="Boils")
ax.plot(xs, slope * xs + intercept, color="C1", label="Fit")
ax.legend()
plt.show()

xs va dal valore x più piccolo a quello più grande, quindi la linea inizia e finisce dove si trovano i dati:

Sei bolliture di un bollitore, rappresentate da punti, minuti necessari per bollire rispetto ai litri d’acqua, in aumento da 1.6 a 4.5 minuti, con una linea di adattamento arancione che li attraversa da 0.5 a 1.7 litri

Disegnare le previsioni di un modello sui suoi dati è il modo più rapido per verificare che abbia imparato qualcosa di sensato. Una linea che non passa per i punti indica un adattamento non riuscito.

Sfida

Medio

Un responsabile di un edificio ha cronometrato 12 corse in ascensore: i floors percorsi e i seconds impiegati. Il codice iniziale imposta il grafico con titolo ed etichette.

Adatta la retta che prevede seconds a partire da floors.
Disegna le corse come diagramma a dispersione con etichetta Rides e la retta con etichetta Fit, dal numero minore di piani al maggiore.
Aggiungi una legenda e mostra il grafico.

Non stampa nulla; Coddy descrive il tuo grafico. Quello di un altro edificio è simile a questo:

Un grafico intitolato Elevator Rides: otto punti che salgono da 14 secondi a 2 piani a 51 secondi a 20 piani, una retta adattata dal piano del primo punto a quello dell’ultimo e una legenda con i nomi Rides e Fit

Provalo tu

import numpy as np
import matplotlib.pyplot as plt

floors = np.array([3, 7, 1, 12, 5, 9, 15, 2, 10, 6, 13, 8])
seconds = np.array([15.3, 27.0, 12.4, 36.0, 19.5, 28.8, 44.9, 12.7, 33.2, 19.4, 41.7, 27.0])
# Non modificare le righe seguenti
fig, ax = plt.subplots()
ax.set_title("Elevator Rides")
ax.set_xlabel("Floors")
ax.set_ylabel("Seconds")

# Scrivi il tuo codice qui sotto

Mettiti alla prova

Questa lezione include un breve quiz. Inizia la lezione per rispondere e tenere traccia dei tuoi progressi.

Tutte le lezioni di Statistica per il machine learning

1Centro e dispersione

Media e mediana Percentili e quartili Varianza e deviazione standard Campione o popolazione?Il valore più frequente Riepilogo: tempi di consegna

4Campioni e popolazioni

Popolazione e campione Le medie campionarie variano Distribuzione campionaria Campioni più grandi, meno rumore Riepilogo: sondare una città

7Linee di tendenza

Residui Adattamento dei minimi quadratiTracciare la retta di adattamentoFare previsioni con una retta Quanto è buono l’adattamento?Riepilogo: ore di pratica

10Codifica delle categorie

Categorie come numeri Codifica one-hot Raggruppamento dei numeri in intervalli Riepilogo: annunci di auto

Esercitati da solo: Compilatore Python online