Упражнение. Выполнение линейной регрессии с помощью NumPy

Завершено

Точечные диаграммы — это удобное средство для визуализации данных, но предположим, что вы хотите наложить на точечную диаграмму линию тренда, чтобы показать тенденцию с течением времени. Один из способов вычисления таких линий трендов — линейная регрессия. В этом упражнении вы воспользуетесь NumPy для выполнения линейной регрессии и Matplotlib для рисования линии тренда на основе данных.

1. Поместите курсор в пустую ячейку внизу записной книжки. Измените тип ячейки на Markdown и введите "Выполнить линейную регрессию" как текст.

2. Добавьте ячейку для кода и вставьте следующий код. Прочитайте комментарии (строки, начинающиеся со знака #), чтобы понять, что делает код.

   # 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. Запустите ячейку для отображения точечной диаграммы с линией регрессии.

   

   Точечная диаграмма с линией регрессии

По линии регрессии вы видите, что разница между средней температурой за 30 лет и из 5 лет увеличивается с течением времени. Основную часть вычислительных операций, необходимых для формирования линии регрессии, выполняет функция NumPy polyfit, которая вычисляет значения m и b в уравнении y = mx + b.