Przewidywanie za pomocą prostej

Część sekcji Statystyka w uczeniu maszynowym ścieżki Machine Learning w Coddy. Lekcja 38 z 64.

Dopasowana prosta to mała maszyna do przewidywania: podaj nowe x, a otrzymasz y. Szczeniak był ważony od 8. do 20. tygodnia:

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))

To wypisuje [ 6.6 25.2]. Tydzień 15 mieści się w danych. Tygodnia 52 w nich nie ma, a linia nadal pnie się w górę długo po tym, jak pies przestaje rosnąć:

Siedem pomiarów masy od 8. do 20. tygodnia na dopasowanej linii. Linia biegnie dalej linią przerywaną w zacieniony obszar oznaczony jako znajdujący się poza danymi i osiąga 25.2 kg w 52. tygodniu, podczas gdy kropkowana krzywa rzeczywistego psa wypłaszcza się w pobliżu 13 kg

Przewidywanie poza zakresem danych to ekstrapolacja, która jest ryzykowna: model jest wiarygodny tylko dla danych wejściowych podobnych do tych, na których się uczył. Najpierw sprawdź:

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

To wyświetla False.

Wyzwanie

Średni

Świecę mierzono co godzinę podczas spalania, od godziny 0 do godziny 6: hours i height w cm. Program odczytuje new_hours.

Dopasuj prostą przewidującą height na podstawie hours.
Wyświetl przewidywaną wartość dla new_hours, zaokrągloną do 2 miejsc po przecinku.
Wyświetl, czy new_hours mieści się w zakresie godzin z danych, z uwzględnieniem obu końców.

Dla wejścia 4.5:

Predicted height: 13.07 cm
Inside the data: yes

Spróbuj swoich sił

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())

# 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