Weinchemie
Teil des Abschnitts Statistik für ML der Machine Learning-Journey von Coddy. Lektion 63 von 64.
Ein Weinimporteur untersuchte 178 Weine aus drei Rebsorten mit jeweils 13 chemischen Messwerten: load_wine. Bevor ein Modell die Rebsorten lernt, sucht das Labor nach Ausreißern bei den Messgeräten.
Die Messwerte liegen auf sehr unterschiedlichen Skalen, daher passt keine einzelne Ausreißerregel für alle. Standardisiert entspricht jeder Messwert der Anzahl der Standardabweichungen von seinem Mittelwert.
Auf diesem Lineal verdient alles, was auf beiden Seiten mehr als 3 entfernt ist, einen zweiten Blick. Eine Box pro Sorte zeigt dann, wo sich jede typischerweise befindet.
Aufgabe
SchwerDas Programm liest den Namen eines Merkmals ein.
- Speichere seine z-Werte in
df["z"], indem du.std()von pandas verwendest. - Gib aus, wie viele Weine auf beiden Seiten außerhalb von 3 liegen, und anschließend jeden davon in Tabellenreihenfolge: Index, Messwert und z-Wert.
- Gib den mittleren z-Wert jeder Rebsorte aus.
- Zeichne für jede Rebsorte einen Boxplot der z-Werte, benannt mit
wine.target_names, dem Merkmal als Titel undz-scoreals y-Achsenbeschriftung.
Runde auf 2 Dezimalstellen. Für color_intensity wird Folgendes ausgegeben:
Outliers in color_intensity: 1
Wine 158: 13.0 (z = 3.43)
class_0: 0.2
class_1: -0.85
class_2: 1.01und Folgendes gezeichnet:
Danach beschreibt Coddy deine Boxplots.
Probier es selbst
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_wine
feature = input()
wine = load_wine(as_frame=True)
df = wine.frame
# Schreibe deinen Code unten
Teste dich selbstDiese Lektion enthält ein kurzes Quiz. Starte die Lektion, um es zu beantworten und deinen Fortschritt zu speichern.
Alle Lektionen in Statistik für ML
1Lage und Streuung
Mittelwert und MedianPerzentile und QuartileVarianz und StandardabweichungStichprobe oder Grundgesamtheit?Der häufigste WertRückblick: Lieferzeiten4Stichproben und Grundgesamtheiten
Grundgesamtheit und StichprobeStichprobenmittelwerte variierenDie StichprobenverteilungGrößere Stichproben, weniger ZufallRückblick: Eine Stadt befragen2Verteilungen
DichtehistogrammeDatenverteilungenDie NormalverteilungskurveDie 68-95-99,7-RegelZ-WerteRückblick: Akkulaufzeit3Wahrscheinlichkeit durch Simulation
Wahrscheinlichkeit als HäufigkeitDas Gesetz der großen ZahlenAugensummen beim WürfelnErwartungswertBedingte WahrscheinlichkeitRückblick: Gewinnchancen am Würfelstand6Zusammenhänge
Streudiagramme lesenKorrelationKorrelationsmatrixKorrelations-HeatmapsKorrelation ist keine KausalitätRückblick: Eiscreme und SonneÜbe selbstständig: Online-Python-Compiler