Una primera mirada

Parte de la sección Estadística para ML del Journey de Machine Learning de Coddy. Lección 56 de 64.

Todo modelo comienza con alguien que examina detenidamente sus datos. Este capítulo termina con una imagen como esta: dos mediciones que separan los tumores por clase.

Muestras de tejido mamario representadas como puntos, con la media de los puntos cóncavos en el eje horizontal y la media del perímetro en el vertical: las muestras benignas se agrupan en la parte inferior izquierda, y las malignas se dispersan hacia arriba y a la derecha

Empieza con cuatro comprobaciones: tamaño, valores faltantes, rangos y clases. Para los vinos:

wine = load_wine(as_frame=True)
df = wine.frame
print(df.shape)
print(df.isna().sum().sum())

Esto imprime:

(178, 14)
0

13 características más target, y .sum().sum() no encontró ningún valor faltante. df.describe() muestra el rango de cada característica.

Por último, las clases. normalize=True convierte los recuentos en proporciones:

shares = df["target"].value_counts(normalize=True)

Barras de las tres clases de vino: class_0 33%, class_1 40%, class_2 27%, con una línea discontinua en 40% marcada siempre class_1: 40% a la derecha

Responder siempre class_1 es correcto el 40% de las veces: la referencia que un modelo real debe superar.

Desafío

Intermedio

Haz una primera revisión de load_breast_cancer antes de que ningún modelo aprenda de él. El código inicial lo carga en df y lee el nombre de una característica. Imprime:

El tamaño y las celdas faltantes.
El mínimo, el máximo y la mediana de la característica, a partir de describe().
La proporción de cada clase como porcentaje entero, en orden de clase.
La línea base: la proporción más grande y su clase.

Para las flores de iris y la entrada petal length (cm), imprime:

Size: 150 samples, 4 features
Missing cells: 0
petal length (cm): 1.0 to 6.9, median 4.35
setosa: 33%
versicolor: 33%
virginica: 33%
Baseline: 33% by always answering setosa

Iris está perfectamente equilibrado. ¿Y los datos del tejido?

Pruébalo tú mismo

from sklearn.datasets import load_breast_cancer

feature = input()
cancer = load_breast_cancer(as_frame=True)
df = cancer.frame

# Escribe tu código a continuación

Ponte a prueba

Esta lección incluye un breve cuestionario. Empieza la lección para responderlo y registrar tu progreso.

Todas las lecciones de Estadística para ML

2Distribuciones

Histogramas de densidad Formas de los datos Curva normal Regla del 68-95-99,7 Puntuaciones z Repaso: duración de la batería

5Valores atípicos

Diagramas de caja La regla del RIC La regla del valor Z Tratamiento de valores atípicos Repaso: fallos de los sensores

8Comparación de grupos

Diagramas de caja por grupo Diferencia de medias ¿Podría ser azar?Valores p La prueba t Repaso: prueba A/B

11Exploración de un conjunto de datos

Una primera miradaTodas las características a la vez Características frente a la etiqueta Las dos mejores características Repaso: datos sobre la diabetes

Practica por tu cuenta: Compilador de Python online