Menu
CoddyTech
INIZIA A IMPARARE
flag It iconItalianodown icon

Fare previsioni con una retta

Fa parte della sezione Statistica per il machine learning del percorso Machine Learning di Coddy. Lezione 38 di 64.

Una retta di regressione è una piccola macchina per fare previsioni: inserisci un nuovo x e ottieni un y. Un cucciolo è stato pesato dalla settimana 8 alla settimana 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))

Questo stampa [ 6.6 25.2]. La settimana 15 rientra nei dati. La settimana 52 no, e la linea continua a salire molto tempo dopo che il cane si ferma:

Sette pesate dalla settimana 8 alla 20 su una linea adattata. La linea continua tratteggiata in una zona ombreggiata contrassegnata come esterna ai dati, raggiungendo i 25.2 kg alla settimana 52, mentre la curva puntinata di un cane reale si stabilizza vicino ai 13 kg

Prevedere al di fuori dell’intervallo dei dati è estrapolazione ed è rischioso: un modello è affidabile solo con input simili a quelli da cui ha appreso. Verifica prima:

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

Questo stampa False.

challenge icon

Sfida

Medio

Una candela è stata misurata ogni ora mentre bruciava, dall'ora 0 all'ora 6: hours e height in cm. Il programma legge new_hours.

  1. Adatta la retta che prevede height in base a hours.
  2. Stampa la previsione per new_hours, arrotondata a 2 decimali.
  3. Stampa se new_hours rientra nell'intervallo delle ore dei dati, inclusi entrambi gli estremi.

Per l'input 4.5:

Predicted height: 13.07 cm
Inside the data: yes

Provalo tu

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())

# Scrivi il tuo codice qui sotto
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