Corso Python scientifico in GX-TXT · Modulo 5 · Lezione 27

Una retta può riassumere una relazione approssimata tra due grandezze. In questa lezione stimiamo intercetta e pendenza con l’API numerica di GX-TXT e studiamo ciò che resta fuori dal modello: i residui. Tutti i dati sono sintetici e adimensionali.

Obiettivi

  • Scrivere il modello \(y=a+bx\).
  • Comprendere il criterio dei minimi quadrati e la matrice di progetto.
  • Distinguere i valori previsti, i residui e le osservazioni.
  • Valutare forma, rango e condizionamento prima di interpretare un fit.

Il problema

Creiamo cinque ascisse da 0 a 4 e una serie secondo \(y=1+2x+\varepsilon\). Il rumore è una sequenza scelta appositamente, [0.1, -0.1, 0, -0.1, 0.1]: non rappresenta un esperimento né una distribuzione statistica misurata. I valori risultanti sono [1.1, 2.9, 5.0, 6.9, 9.1].

La regressione lineare ordinaria sceglie i parametri che minimizzano la somma dei quadrati dei residui, cioè delle differenze osservato - previsto. Elevare al quadrato rende positivi i contributi e attribuisce più peso alle differenze grandi. Per questi dati particolari, il rumore è stato scelto in modo che la retta ottimale abbia intercetta 1 e pendenza 2, a parte piccoli effetti della virgola mobile.

Esecuzione

Nella Sessione corso_python, importa regressione.py, salva lo script nel Python Script Workspace e avvialo da Run → Open Script Runner → Run Job.

Script della regressione nell'editor GX-TXT con tema Rich Dark.
Script della regressione nell'editor GX-TXT con tema Rich Dark.
import numpy as np
from gxtxt import gxtxt_api_call, gxtxt_api_require

gxtxt_api_require("NUMERIC_API_v1@1:math.numeric+linear_regression")
x = np.array([0., 1., 2., 3., 4.])
rumore = np.array([0.1, -0.1, 0.0, -0.1, 0.1])
y = 1.0 + 2.0 * x + rumore
fit = gxtxt_api_call("NUMERIC_API_v1", "linear_regression", [x, y])
pendenza = float(fit["slope"])
intercetta = float(fit["intercept"])
residui = y - (intercetta + pendenza * x)
print("x sintetica:", x)
print("y sintetica:", y)
print("Intercetta:", intercetta)
print("Pendenza:", pendenza)
print("Residui:", np.round(residui, 6))
print("Accordo con i parametri attesi:", np.allclose([intercetta, pendenza], [1, 2]))

La richiesta preventiva individua la capacità di regressione. La chiamata linear_regression riceve x e y; per impostazione predefinita include l’intercetta e usa minimi quadrati ordinari senza pesi. La risposta espone slope e intercept. Lo script calcola le previsioni con quei parametri e sottrae ciascuna previsione dal corrispondente valore sintetico.

Risultato del Job: parametri e residui della regressione.
Risultato del Job: parametri e residui della regressione.

L’output riporta valori molto vicini a 1 e 2. Le piccole cifre aggiuntive sono normali effetti dei calcoli in virgola mobile; np.allclose usa una tolleranza. I residui coincidono con il rumore inserito, a precisione numerica, perché questo esempio è stato progettato appositamente. Con dati diversi, i parametri stimati non coincidono necessariamente con quelli usati per generare i dati.

Matrice di progetto e condizioni del problema

Il modello può essere scritto come prodotto fra una matrice di progetto e il vettore dei parametri. Qui ogni riga della matrice è [1, x_i], mentre il vettore contiene [intercetta, pendenza]. La prima colonna rappresenta il termine costante; la seconda associa ogni valore di x alla pendenza. Cinque osservazioni per due parametri rendono il problema sovradeterminato: in generale non esiste una retta che passi esattamente per tutti i punti.

Non basta avere più righe che colonne. Se tutte le x fossero identiche, le due colonne non sarebbero indipendenti e la pendenza non sarebbe identificabile in modo univoco. Anche quando il rango è completo, colonne con scale molto diverse possono rendere il problema mal condizionato: piccoli cambiamenti nei dati possono produrre grandi variazioni dei parametri. Controlla rango, numero di condizionamento e scala delle variabili; valuta una centratura o un cambio di scala coerente con il problema. L’API least_squares consente una matrice di progetto esplicita e fornisce diagnostiche, ma richiede di rispettare il suo contratto.

Se x e y avessero unità fisiche, l’intercetta avrebbe l’unità di y e la pendenza quella di y divisa per quella di x. La bontà di una retta non prova una relazione causale: servono un disegno sperimentale e ipotesi adeguate. Anche pesi, incertezze e correlazioni richiedono un modello appropriato; questo esempio è una regressione ordinaria non pesata.

Esercizio

  1. Per \(x=3\), quale valore prevede la retta stimata e quale residuo risulta dal dato sintetico?
  2. Quante colonne ha la matrice di progetto per una retta con intercetta? Scrivi la riga corrispondente a \(x=3\).
  3. Perché cinque osservazioni con lo stesso valore di x non bastano a identificare separatamente intercetta e pendenza?

Soluzione ragionata

  1. La previsione è \(1+2\cdot3=7\); il dato è 6,9, quindi il residuo osservato meno previsto è -0,1.
  2. Due colonne; la riga è [1, 3].
  3. Le colonne della matrice di progetto sono proporzionali. Molte coppie di parametri producono lo stesso valore previsto in quell’unica ascissa; il rango non è sufficiente.

Nella prossima lezione passeremo a modelli non lineari e funzioni Python utilizzate come callback.

Scarica gli script del Modulo 05 (ZIP)

#Calcolo numerico #GX-TXT #Python

Altre tappe del progetto

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *