Exercício – Executar a regressão linear com o NumPy

Concluído

Os gráficos de dispersão oferecem um meio útil para a visualização de dados, mas suponha que você queira sobrepor o gráfico de dispersão com uma linha de tendência que mostra a tendência dos dados ao longo do tempo. Uma maneira de calcular essas linhas de tendência é a regressão linear. Neste exercício, você usará o NumPy para executar uma regressão linear e o Matplotlib para desenhar uma linha de tendência dos dados.

1. Coloque o cursor na célula vazia na parte inferior do notebook. Altere o tipo de célula para Markdown e insira "Executar regressão linear" como o texto.

2. Adicione uma célula de Código e cole o código a seguir. Reserve alguns instantes para ler os comentários (as linhas que começam com o sinal #) para entender o que o código está fazendo.

   # Creates a linear regression from the data points
   m,b = np.polyfit(yearsBase, meanBase, 1)
   
   # This is a simple y = mx + b line function
   def f(x):
       return m*x + b
   
   # This generates the same scatter plot as before, but adds a line plot using the function above
   plt.scatter(yearsBase, meanBase)
   plt.plot(yearsBase, f(yearsBase))
   plt.title('scatter plot of mean temp difference vs year')
   plt.xlabel('years', fontsize=12)
   plt.ylabel('mean temp difference', fontsize=12)
   plt.show()
   
   # Prints text to the screen showing the computed values of m and b
   print(' y = {0} * x + {1}'.format(m, b))
   plt.show()
   

3. Agora, execute a célula para exibir um gráfico de dispersão com uma linha de regressão.

   

   Gráfico de dispersão com linha de regressão

Na linha de regressão, você pode ver que a diferença entre as temperaturas médias de 30 anos e as temperaturas médias de 5 anos está aumentando ao longo do tempo. A maior parte do trabalho computacional necessário para gerar a linha de regressão foi feita pela função polyfit do NumPy, que calculou os valores m e b na equação y = mx + b.