Probabilidad condicional
Parte de la sección Estadística para ML del Journey de Machine Learning de Coddy. Lección 17 de 64.
La mitad de estos 10 correos electrónicos son spam. Pero una vez que sabes que un correo electrónico tiene un enlace, solo importan los que tienen enlace:
La proporción dentro de ese grupo es la probabilidad condicional de que sea spam dado que contiene un enlace, P(spam | link). Cuenta ambos y después divide por la condición:
emails = pd.DataFrame({
"link": ["yes", "no", "yes", "no", "no", "no", "yes", "no", "no", "yes"],
"spam": ["yes", "no", "yes", "no", "no", "yes", "no", "no", "yes", "yes"],
})
spam = emails["spam"] == "yes"
link = emails["link"] == "yes"
print(spam.mean())
print((spam & link).sum() / link.sum())Esto imprime:
0.5
0.75La condición que ya conoces va debajo de la línea: divides entre ella. Un filtro de spam funciona de esta manera: la probabilidad de que sea spam dadas las palabras de un correo electrónico.
Desafío
IntermedioUn mercado registró 50 días en mornings.csv: el sky de la mañana (clear, cloudy o foggy) y rain, yes si llovió más tarde. ¿Qué cielo es el mejor indicador?
- Para cada cielo de
skies, imprime la probabilidad de lluvia dado ese cielo. - Imprime la probabilidad de lluvia en cualquier día.
- Imprime el mejor indicio: el cielo con la probabilidad más alta.
Para un registro más corto, con 2 decimales:
Rain after a clear morning: 0.25
Rain after a cloudy morning: 0.33
Rain after a foggy morning: 0.75
Rain on any day: 0.45
Best clue for rain: foggyPruébalo tú mismo
import pandas as pd
days = pd.read_csv("mornings.csv")
skies = ["clear", "cloudy", "foggy"]
# Escribe tu código a continuación
Ponte a pruebaEsta lección incluye un breve cuestionario. Empieza la lección para responderlo y registrar tu progreso.
Todas las lecciones de Estadística para ML
1Centro y dispersión
Media y medianaPercentiles y cuartilesVarianza y desviación estándar¿Muestra o población?El valor más frecuenteRepaso: tiempos de entrega4Muestras y poblaciones
Población y muestraLas medias muestrales varíanLa distribución muestralMuestras más grandes, menos ruidoRepaso: Encuestar a un pueblo7Líneas de tendencia
ResiduosAjuste por mínimos cuadradosTrazar el ajustePredecir con una línea¿Qué tan bueno es el ajuste?Repaso: horas de práctica10Codificación de categorías
Categorías como númerosCodificación one-hotAgrupación de números en intervalosRepaso: anuncios de autos2Distribuciones
Histogramas de densidadFormas de los datosCurva normalRegla del 68-95-99,7Puntuaciones zRepaso: duración de la batería5Valores atípicos
Diagramas de cajaLa regla del RICLa regla del valor ZTratamiento de valores atípicosRepaso: fallos de los sensores3Probabilidad mediante simulación
La probabilidad como frecuenciaLa ley de los grandes númerosSuma de dadosValor esperadoProbabilidad condicionalRepaso: probabilidades del puesto de dados6Relaciones
Lectura de diagramas de dispersiónCorrelaciónMatriz de correlaciónMapas de calor de correlaciónCorrelación no es causalidadRepaso: helado y sol9Escalado de características
Por qué escalar las característicasEscalado mín-máxEstandarizaciónStandardScalerRepaso: compañeros de escaladaPractica por tu cuenta: Compilador de Python online