Formas de los datos

Parte de la sección Estadística para ML del Journey de Machine Learning de Coddy. Lección 8 de 64.

El contorno de un histograma es la forma de los datos, y te indica en qué resumen confiar:

Tres histogramas uno al lado del otro. Sesgado hacia la izquierda: una cola larga hacia la izquierda, la línea de la media por debajo de la línea de la mediana. Simétrico: la media y la mediana juntas en el medio. Sesgado hacia la derecha: una cola larga hacia la derecha, la media por encima de la mediana

Una cola larga atrae la media hacia ella, mientras que la mediana se mantiene con la mayoría. Segundos que once visitantes pasaron en una página:

visits = np.array([8, 12, 15, 15, 18, 20, 22, 25, 40, 75, 140])
print(np.round(visits.mean(), 1), np.median(visits))

Esto imprime:

35.5 20.0

Media por encima de la mediana: sesgada a la derecha, una cola de valores grandes. Media por debajo: sesgada a la izquierda. Cercanas entre sí: simétrica.

La asimetría es una advertencia antes del entrenamiento: unas pocas filas extremas están muy alejadas del resto, y la media no describe casi a nadie.

Desafío

Fácil

Antes de entrenar con los registros de 150 jugadores, un equipo de videojuegos comprueba la forma de cada columna de players.csv. Para cada columna, en orden, imprime su nombre, su media (1 decimal), su mediana y un veredicto:

sesgada a la derecha cuando la media está más de 2 por encima de la mediana,
sesgada a la izquierda cuando está más de 2 por debajo,
simétrica en caso contrario.

Para el registro de otro juego:

session_minutes: mean 14.3 above median 9.5, right-skewed
quiz_score: mean 83.3 below median 88.0, left-skewed
ping_ms: mean 46.4 close to median 46.0, symmetric

Pruébalo tú mismo

import numpy as np
import pandas as pd

players = pd.read_csv("players.csv")

# 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 densidadFormas de los datosCurva 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 mirada Todas 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