Qualidade do Ar

Parte da seção Estatística para ML do Journey de Machine Learning da Coddy. Lição 62 de 64.

Uma cidade quer uma previsão rápida de partículas finas, PM2.5. O sensor de rua registrou 40 dias em air.csv:

Uma linha de PM2.5 diário ao longo de 40 dias, oscilando entre cerca de 16 e 61, todos os dias acima de uma linha tracejada em 15 marcada como diretriz diária da OMS

Cada linha contém o vento, a temperatura, a umidade, o tráfego e o pm25 de um dia. Um deles acompanha a poeira muito melhor do que os demais.

Encontre-a, ajuste uma linha e diga até que ponto confiar nela: quanto ela explica, onde mais erra e quando uma previsão vai além dos dados.

Desafio

Difícil

O programa lê o valor de um novo dia para a melhor variável. Arredonde para 2 casas decimais.

Imprima a variável com o r mais forte em relação a pm25, ignorando o sinal, e seu r com sinal.
Ajuste uma reta. Imprima-a, seu R quadrado e a linha em que o erro é maior, com esse resíduo.
Faça uma previsão para o valor e avise quando ele estiver fora dos dados da variável.
Desenhe os pontos e a reta vermelha do menor valor ao maior: título Air Quality, a variável no eixo horizontal e PM2.5 no eixo vertical.

Para outra cidade e a entrada 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

Um gráfico de dispersão intitulado Air Quality, com traffic_k no eixo horizontal e PM2.5 no eixo vertical, 30 pontos subindo para a direita e uma reta de ajuste vermelha passando por eles

Depois das suas linhas, Coddy descreve seu gráfico.

Experimente você mesmo

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

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

# Escreva seu código abaixo

Teste seus conhecimentos

Esta lição inclui um quiz rápido. Comece a lição para respondê-lo e acompanhar seu progresso.

Todas as lições de Estatística para ML

3Probabilidade por Simulação

Probabilidade como frequência A Lei dos Grandes Números Somas de dados Valor esperado Probabilidade condicional Revisão: chances na barraca de dados

6Relações

Lendo gráficos de dispersão Correlação Matriz de correlação Mapas de calor de correlação Correlação não é causalidade Revisão: sorvete e sol

9Escalonamento de Recursos

Por que escalar os recursos Escalonamento Min-Max Padronização StandardScaler Revisão: Parceiros de escalada

12Desafios Finais

Atrasos de TremQualidade do ArQuímica do Vinho Pesquisa em Clínicas

Pratique por conta própria: Compilador de Python online