Rysowanie dopasowanej prostej

Część sekcji Statystyka w uczeniu maszynowym ścieżki Machine Learning w Coddy. Lekcja 37 z 64.

Dwie liczby opisują dopasowanie; tylko wykres pokazuje, czy odpowiada ono danym. W kuchni zmierzono czas sześciu zagotowań wody w czajniku. Narysuj linię na tej samej osi ax co wykres punktowy:

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 biegnie od najmniejszego x do największego, więc linia zaczyna się i kończy tam, gdzie dane:

Sześć zagotowań wody w czajniku przedstawionych jako punkty: czas gotowania w minutach w zależności od ilości wody w litrach, wzrastający od 1.6 do 4.5 minuty, z pomarańczową dopasowaną linią biegnącą przez punkty od 0.5 do 1.7 litra

Narysowanie predykcji modelu na wykresie z jego danymi to najszybszy sposób, by sprawdzić, czy nauczył się czegoś sensownego. Linia, która mija punkty, oznacza, że dopasowanie jest nieprawidłowe.

Wyzwanie

Średni

Zarządca budynku zmierzył czas 12 przejazdów windą: liczbę pokonanych floors i czas w seconds. Kod startowy przygotowuje wykres z tytułem i opisanymi osiami.

Dopasuj prostą przewidującą seconds na podstawie floors.
Przedstaw przejazdy jako wykres punktowy z etykietą Rides, a prostą z etykietą Fit, od najmniejszej do największej liczby pięter.
Dodaj legendę i wyświetl wykres.

Program niczego nie wypisuje; Coddy opisuje twój wykres. Wykres z innego budynku wygląda tak:

Wykres zatytułowany Elevator Rides: osiem punktów rosnących od 14 sekund przy 2 piętrach do 51 sekund przy 20 piętrach, dopasowana prosta od piętra pierwszego punktu do piętra ostatniego oraz legenda z etykietami Rides i Fit

Spróbuj swoich sił

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])
# Nie zmieniaj poniższych wierszy
fig, ax = plt.subplots()
ax.set_title("Elevator Rides")
ax.set_xlabel("Floors")
ax.set_ylabel("Seconds")

# 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

Poćwicz samodzielnie: Kompilator Python online