Menu
CoddyTech
JETZT LERNEN
flag De iconDeutschdown icon

Rückblick: Kletterpartner

Teil des Abschnitts Statistik für ML der Machine Learning-Journey von Coddy. Lektion 51 von 64.

challenge icon

Aufgabe

Mittel

Eine Kletterhalle ordnet jedem Neuling das ähnlichste Mitglied zu. Jede Zeile von members steht für ein Mitglied, dessen Name in names steht: Körpergröße (cm), Armspannweite (cm) und Hängen an einer Stange (Minuten). Das Programm liest die Messwerte des Neulings ein.

  1. Finde das nächstgelegene Mitglied in der Rohdatentabelle.
  2. Standardisiere die Daten mit einem auf den Mitgliedern angepassten StandardScaler; gib die standardisierten Werte des Neulings aus.
  3. Finde in den standardisierten Tabellen erneut das nächstgelegene Mitglied.

Runde auf 2 Dezimalstellen. Eine andere Kletterhalle mit drei Mitgliedern:

Eine andere Kletterhalle als Tabelle: ein Neuling und drei Mitglieder, Kim, Lou und Max, mit Körpergröße, Spannweite und Hängen. Daneben die Entfernung jedes Mitglieds zum Neuling: nicht standardisiert ist Kim mit 4.56 am nächsten; standardisiert ist Lou mit 1.09 am nächsten

Die Ausgabe:

Nearest before scaling: Kim (4.56)
Newcomer scaled: [[-0.38 -0.54  0.98]]
Nearest after scaling: Lou (1.09)

Probier es selbst

import numpy as np
from sklearn.preprocessing import StandardScaler

names = ["Iris", "Jon", "Kai", "Lena", "Max", "Nora"]
# Eine Zeile pro Mitglied: Körpergröße in cm, Armspannweite in cm, Hängen an der Stange in Minuten
members = np.array([[166, 169, 1.6],
                    [182, 188, 1.1],
                    [171, 170, 2.3],
                    [176, 181, 1.4],
                    [188, 191, 2.0],
                    [160, 163, 0.9]])
# Das neue Mitglied
height = float(input())
span = float(input())
hang = float(input())

# Schreibe deinen Code unten

Alle Lektionen in Statistik für ML

1Lage und Streuung

Mittelwert und MedianPerzentile und QuartileVarianz und StandardabweichungStichprobe oder Grundgesamtheit?Der häufigste WertRückblick: Lieferzeiten

4Stichproben und Grundgesamtheiten

Grundgesamtheit und StichprobeStichprobenmittelwerte variierenDie StichprobenverteilungGrößere Stichproben, weniger ZufallRückblick: Eine Stadt befragen

7Trendlinien

ResiduenAnpassung nach der Methode der kleinsten QuadrateDie Anpassungslinie zeichnenMit einer Linie Vorhersagen treffenWie gut ist die Anpassung?Rückblick: Übungsstunden

10Kategorien codieren

Kategorien als ZahlenOne-Hot-EncodingZahlen in Intervalle einteilenRückblick: Autoanzeigen

2Verteilungen

DichtehistogrammeDatenverteilungenDie NormalverteilungskurveDie 68-95-99,7-RegelZ-WerteRückblick: Akkulaufzeit

5Ausreißer

BoxplotsDie IQR-RegelDie Z-Score-RegelUmgang mit AusreißernRückblick: Sensorfehler

8Gruppen vergleichen

Boxplots nach GruppenUnterschied der MittelwerteKönnte es Zufall sein?p-WerteDer t-TestRückblick: A/B-Test

11Einen Datensatz erkunden

Ein erster BlickAlle Merkmale auf einmalMerkmale im Vergleich zum LabelDie zwei besten MerkmaleRückblick: Diabetesdaten

3Wahrscheinlichkeit durch Simulation

Wahrscheinlichkeit als HäufigkeitDas Gesetz der großen ZahlenAugensummen beim WürfelnErwartungswertBedingte WahrscheinlichkeitRückblick: Gewinnchancen am Würfelstand

6Zusammenhänge

Streudiagramme lesenKorrelationKorrelationsmatrixKorrelations-HeatmapsKorrelation ist keine KausalitätRückblick: Eiscreme und Sonne

9Merkmalsskalierung

Warum Merkmale skalierenMin-Max-SkalierungStandardisierungStandardScalerRückblick: Kletterpartner

12Abschließende Herausforderungen

ZugverspätungenLuftqualitätWeinchemieKlinikumfrage

Übe selbstständig: Online-Python-Compiler