Qualité de l’air

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 62 sur 64.

Une ville souhaite obtenir une prévision rapide des particules fines, PM2.5. Son capteur de rue a enregistré 40 jours dans air.csv :

Courbe des valeurs quotidiennes de PM2.5 sur 40 jours, oscillant entre environ 16 et 61, chaque jour au-dessus d’une ligne pointillée à 15 indiquant la recommandation quotidienne de l’OMS

Chaque ligne contient les données d’une journée sur le vent, la température, l’humidité, le trafic et pm25. L’une de ces variables suit bien mieux les particules que les autres.

Trouvez-la, ajustez une droite et dites dans quelle mesure vous pouvez lui faire confiance : quelle part elle explique, où elle se trompe le plus et quand une prévision s’éloigne des données.

Défi

Difficile

Le programme lit la valeur du meilleur indicateur pour un nouveau jour. Arrondis à 2 décimales.

Affiche l’indicateur ayant le r le plus élevé avec pm25, sans tenir compte du signe, ainsi que son r signé.
Ajuste une droite. Affiche-la, son R carré, ainsi que la ligne pour laquelle l’écart est le plus important et ce résidu.
Fais une prédiction pour la valeur et affiche un avertissement lorsqu’elle se trouve en dehors des données de l’indicateur.
Trace les points et la droite rouge de la valeur minimale à la valeur maximale : titre Air Quality, l’indicateur en abscisse, PM2.5 en ordonnée.

Pour une autre ville et la valeur saisie 8 :

Best feature: traffic_k (r = 0.86)
Line: pm25 = 1.11 * traffic_k + 13.67
R squared: 0.73
Largest miss: row 14 (residual 11.15)
Prediction at 8.0: 22.57
Warning: outside the data

Un nuage de points intitulé Air Quality, avec traffic_k en abscisse et PM2.5 en ordonnée, 30 points qui montent vers la droite et une droite rouge ajustée qui les traverse

Après tes lignes de code, Coddy décrit ton graphique.

Essayez vous-même

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

value = float(input())
df = pd.read_csv("air.csv")

# Écrivez votre code ci-dessous

Testez-vous

Cette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.

Toutes les leçons de Statistiques pour le ML

3Les probabilités par simulation

La probabilité comme fréquence La loi des grands nombres Sommes de dés Espérance mathématique Probabilité conditionnelle Récapitulatif : les chances au stand de dés

6Relations

Lire des nuages de points Corrélation Matrice de corrélation Cartes thermiques de corrélation Corrélation n’est pas causalité Récapitulatif : glace et soleil

9Mise à l’échelle des caractéristiques

Pourquoi mettre les caractéristiques à l’échelle Mise à l’échelle Min-Max Standardisation StandardScaler Récapitulatif : partenaires d’escalade

12Défis finaux

Retards des trainsQualité de l’airChimie du vin Enquête en clinique

Entraînez-vous par vous-même : Compilateur Python en ligne