Menu
CoddyTech
INIZIA A IMPARARE
flag It iconItalianodown icon

Adattamento dei minimi quadrati

Fa parte della sezione Statistica per il machine learning del percorso Machine Learning di Coddy. Lezione 36 di 64.

Provare linee a caso potrebbe continuare all’infinito. np.polyfit(x, y, 1) trova subito la migliore: la linea con la somma dei residui al quadrato più piccola. Ecco la profondità della neve durante una tempesta:

hours = np.array([1, 2, 3, 5, 6])
depth = np.array([14, 22, 35, 52, 61])
slope, intercept = np.polyfit(hours, depth, 1)
print(np.round(slope, 2), np.round(intercept, 2))

Questo stampa 9.5 4.5: circa 9.5 cm di neve in più all’ora e 4.5 cm all’ora 0. Nessun’altra linea presenta uno scarto minore:

Profondità della neve in funzione delle ore, rappresentata da cinque punti, con tre linee: due stime tratteggiate con somme dei residui al quadrato pari a 159 e 18, e la linea spessa polyfit con 6.5

Il 1 richiede una linea retta e x viene per primo. Questa è la regressione lineare, il primo modello che addestri nella sezione 3.

challenge icon

Sfida

Medio

Un produttore di droni vuole sapere quale misura predice meglio il tempo di volo. drones.csv contiene 15 voli: payload_g, wind_kmh e flight_min. Il codice iniziale carica il file e definisce ssr(x, y, slope, intercept).

  1. Per ogni colonna in columns, adatta la retta che la usa per predire flight_min.
  2. Stampa la sua equazione e l’SSR come mostrato sotto: pendenza con 3 cifre decimali, intercetta e SSR con 2.
  3. Stampa la colonna con l’SSR più piccolo.

Per un altro drone:

payload_g: flight_min = -0.001 * payload_g + 21.55, SSR 164.94
wind_kmh: flight_min = -0.481 * wind_kmh + 28.13, SSR 9.1
Better predictor: wind_kmh

Provalo tu

import numpy as np
import pandas as pd


# Returns the sum of squared residuals of the line slope * x + intercept (lesson 35)
def ssr(x, y, slope, intercept):
    return ((y - (slope * x + intercept)) ** 2).sum()


drones = pd.read_csv("drones.csv")
columns = ["payload_g", "wind_kmh"]

# Write your code below
quiz iconMettiti 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 medianaPercentili e quartiliVarianza e deviazione standardCampione o popolazione?Il valore più frequenteRiepilogo: tempi di consegna

4Campioni e popolazioni

Popolazione e campioneLe medie campionarie varianoDistribuzione campionariaCampioni più grandi, meno rumoreRiepilogo: sondare una città

7Linee di tendenza

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

10Codifica delle categorie

Categorie come numeriCodifica one-hotRaggruppamento dei numeri in intervalliRiepilogo: annunci di auto

2Distribuzioni

Istogrammi di densitàForme dei datiCurva normaleRegola 68-95-99,7Punteggi ZRiepilogo: durata della batteria

5Valori anomali

Diagrammi a scatolaLa regola dell'IQRLa regola dello z-scoreGestire i valori anomaliRiepilogo: anomalie dei sensori

8Confrontare gruppi

Diagrammi a scatola per gruppoDifferenza tra le mediePotrebbe essere solo caso?I p-valueIl test tRiepilogo: test A/B

11Esplorare un dataset

Una prima occhiataTutte le feature insiemeFeature a confronto con l'etichettaLe due feature miglioriRiepilogo: dati sul diabete

3Probabilità tramite simulazione

La probabilità come frequenzaLa legge dei grandi numeriSomme dei dadiValore attesoProbabilità condizionataRiepilogo: probabilità al banco dei dadi

6Relazioni

Leggere i grafici a dispersioneCorrelazioneMatrice di correlazioneMappe di calore della correlazioneCorrelazione non significa causalitàRiepilogo: gelato e sole

9Scalatura delle feature

Perché scalare le featureScalatura Min-MaxStandardizzazioneStandardScalerRiepilogo: compagni di scalata

12Sfide finali

Ritardi dei treniQualità dell'ariaChimica del vinoSondaggio in clinica

Esercitati da solo: Compilatore Python online