Jakość powietrza

Część sekcji Statystyka w uczeniu maszynowym ścieżki Machine Learning w Coddy. Lekcja 62 z 64.

Miasto chce uzyskać szybką prognozę stężenia drobnego pyłu PM2.5. Czujnik uliczny rejestrował dane przez 40 dni w pliku air.csv:

Wykres liniowy dziennego stężenia PM2.5 w ciągu 40 dni, wahającego się między około 16 a 61; każdego dnia powyżej przerywanej linii na poziomie 15, oznaczonej jako dobowa wytyczna WHO

Każdy wiersz zawiera dane z jednego dnia dotyczące wiatru, temperatury, wilgotności, natężenia ruchu i pm25. Jedna z tych wartości znacznie lepiej niż pozostałe wskazuje poziom zapylenia.

Znajdź ją, dopasuj prostą i określ, jak bardzo można jej ufać: ile wyjaśnia, gdzie popełnia największe błędy i kiedy prognoza wykracza poza dane.

Wyzwanie

Trudny

Program odczytuje wartość najlepszego parametru dla nowego dnia. Zaokrąglij do 2 miejsc po przecinku.

Wypisz parametr o najsilniejszej korelacji r z pm25, pomijając znak, oraz jego r ze znakiem.
Dopasuj prostą. Wypisz ją, jej R kwadrat oraz wiersz, dla którego błąd jest największy, wraz z tą resztą.
Oblicz prognozę dla tej wartości i wyświetl ostrzeżenie, gdy znajduje się poza zakresem danych parametru.
Narysuj punkty i czerwoną prostą od najmniejszej do największej wartości: tytuł Air Quality, parametr na osi poziomej, PM2.5 na osi pionowej.

Dla innego miasta i danych wejściowych 8:

Best feature: traffic_k (r = 0.86)
Line: pm25 = 1.11 * traffic_k + 13.67
R squared: 0.73
Largest miss: row 14 (residual 11.15)
Prediction at 8.0: 22.57
Warning: outside the data

Wykres punktowy zatytułowany Air Quality, traffic_k na osi poziomej, a PM2.5 na pionowej; 30 punktów rosnących w prawo i czerwona dopasowana prosta przechodząca przez nie

Po Twoich liniach Coddy opisze Twój wykres.

Spróbuj swoich sił

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

value = float(input())
df = pd.read_csv("air.csv")

# Napisz swój kod poniżej

Sprawdź się

Ta lekcja zawiera krótki quiz. Zacznij lekcję, żeby na niego odpowiedzieć i śledzić swoje postępy.

Wszystkie lekcje w sekcji Statystyka w uczeniu maszynowym

3Prawdopodobieństwo przez symulację

Prawdopodobieństwo jako częstość Prawo wielkich liczb Sumy oczek Wartość oczekiwana Prawdopodobieństwo warunkowe Podsumowanie: szanse na stoisku z kośćmi

6Relacje

Odczytywanie wykresów punktowych Korelacja Macierz korelacji Mapy cieplne korelacji Korelacja nie oznacza przyczynowości Podsumowanie: lody i słońce

9Skalowanie cech

Dlaczego skalować cechy Skalowanie min–max Standaryzacja StandardScaler Podsumowanie: partnerzy we wspinaczce

12Wyzwania końcowe

Opóźnienia pociągówJakość powietrzaChemia wina Ankieta w przychodni

Poćwicz samodzielnie: Kompilator Python online