Menu
CoddyTech
EMPEZAR A APRENDER
flag Es iconEspañoldown icon

Repaso: compañeros de escalada

Parte de la sección Estadística para ML del Journey de Machine Learning de Coddy. Lección 51 de 64.

challenge icon

Desafío

Intermedio

Un gimnasio de escalada empareja a cada persona nueva con el miembro más parecido. Cada fila de members corresponde a un miembro, con el nombre indicado en names: altura (cm), envergadura (cm) y suspensión pasiva (minutos colgado de una barra). El programa lee las medidas de la persona nueva.

  1. Encuentra al miembro más cercano en la tabla original.
  2. Estandariza con un StandardScaler ajustado con los miembros; imprime los valores estandarizados de la persona nueva.
  3. Vuelve a encontrar al miembro más cercano, esta vez en las tablas estandarizadas.

Redondea a 2 decimales. Otro gimnasio, con tres miembros:

Otro gimnasio en forma de tabla: una persona nueva y tres miembros, Kim, Lou y Max, con altura, envergadura y suspensión. Junto a ellos, la distancia de cada miembro a la persona nueva: sin estandarizar, Kim es el más cercano con 4.56; estandarizados, Lou es el más cercano con 1.09

Su salida:

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

Pruébalo tú mismo

import numpy as np
from sklearn.preprocessing import StandardScaler

names = ["Iris", "Jon", "Kai", "Lena", "Max", "Nora"]
# Una fila por miembro: altura en cm, envergadura en cm y tiempo de suspensión en minutos
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]])
# El nuevo integrante
height = float(input())
span = float(input())
hang = float(input())

# Escribe tu código a continuación

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 entrega

4Muestras y poblaciones

Población y muestraLas medias muestrales varíanLa distribución muestralMuestras más grandes, menos ruidoRepaso: Encuestar a un pueblo

7Líneas de tendencia

ResiduosAjuste por mínimos cuadradosTrazar el ajustePredecir con una línea¿Qué tan bueno es el ajuste?Repaso: horas de práctica

10Codificación de categorías

Categorías como númerosCodificación one-hotAgrupación de números en intervalosRepaso: anuncios de autos

2Distribuciones

Histogramas de densidadFormas de los datosCurva normalRegla del 68-95-99,7Puntuaciones zRepaso: duración de la batería

5Valores atípicos

Diagramas de cajaLa regla del RICLa regla del valor ZTratamiento de valores atípicosRepaso: fallos de los sensores

8Comparación de grupos

Diagramas de caja por grupoDiferencia de medias¿Podría ser azar?Valores pLa prueba tRepaso: prueba A/B

11Exploración de un conjunto de datos

Una primera miradaTodas las características a la vezCaracterísticas frente a la etiquetaLas dos mejores característicasRepaso: datos sobre la diabetes

3Probabilidad mediante simulación

La probabilidad como frecuenciaLa ley de los grandes númerosSuma de dadosValor esperadoProbabilidad condicionalRepaso: probabilidades del puesto de dados

6Relaciones

Lectura de diagramas de dispersiónCorrelaciónMatriz de correlaciónMapas de calor de correlaciónCorrelación no es causalidadRepaso: helado y sol

9Escalado de características

Por qué escalar las característicasEscalado mín-máxEstandarizaciónStandardScalerRepaso: compañeros de escalada

12Desafíos finales

Retrasos de trenesCalidad del aireQuímica del vinoEncuesta clínica

Practica por tu cuenta: Compilador de Python online