Menu
CoddyTech
COMMENCER À APPRENDRE
flag Fr iconFrançaisdown icon

Lire des nuages de points

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 29 sur 64.

Ce chapitre se termine par une illustration des relations entre toutes les colonnes d’un tableau :

Une grille colorée pour les 4 mesures de 150 fleurs d’iris, chaque cellule contenant un nombre compris entre -1 et 1. La longueur et la largeur des pétales sont associées par une valeur rouge foncé de 0.96 ; la largeur des sépales est bleu pâle par rapport aux autres

Tout commence par vos yeux. Chaque point d’un nuage de points représente un échantillon ; lisez le nuage en observant sa direction, sa force et sa forme :

Six petits nuages de points : positif fort, une bande ascendante resserrée ; positif faible, un nuage ascendant dispersé ; aucune relation, une forme informe ; négatif fort et négatif faible, des bandes descendantes ; courbe, une forme en U

La hausse est positive, la baisse négative. Une bande étroite est forte, un nuage diffus est faible, une forme indistincte n’indique rien. Une courbe est courbée.

Regarde avant de calculer : le nombre de la prochaine leçon ne voit que des bandes droites.

Essayez vous-même

Cette leçon ne comprend pas de défi de code.

quiz iconTestez-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

1Centre et dispersion

Moyenne et médianePercentiles et quartilesVariance et écart-typeÉchantillon ou population ?La valeur la plus fréquenteRécapitulatif : délais de livraison

4Échantillons et populations

Population et échantillonLes moyennes d’échantillon varientLa distribution d’échantillonnageDes échantillons plus grands, moins de bruitRécapitulatif : sonder une ville

7Droites de tendance

RésidusAjustement par les moindres carrésTracer la droite d’ajustementPrédire avec une droiteQualité de l’ajustementRécapitulatif : heures de pratique

10Encodage des catégories

Les catégories sous forme de nombresEncodage one-hotRegrouper les nombres en intervallesRécapitulatif : annonces de voitures

2Distributions

Histogrammes de densitéFormes des donnéesLa courbe normaleLa règle des 68-95-99,7Scores zRécapitulatif : autonomie de la batterie

5Valeurs aberrantes

Diagrammes en boîteLa règle de l’écart interquartileLa règle du score ZTraiter les valeurs aberrantesRécapitulatif : anomalies des capteurs

8Comparer des groupes

Diagrammes en boîte par groupeDifférence entre les moyennesEst-ce dû au hasard ?Valeurs pLe test tRécapitulatif : test A/B

11Explorer un jeu de données

Un premier aperçuToutes les caractéristiques à la foisCaractéristiques et étiquetteLes deux meilleures caractéristiquesRécapitulatif : données sur le diabète

3Les probabilités par simulation

La probabilité comme fréquenceLa loi des grands nombresSommes de désEspérance mathématiqueProbabilité conditionnelleRécapitulatif : les chances au stand de dés

6Relations

Lire des nuages de pointsCorrélationMatrice de corrélationCartes thermiques de corrélationCorrélation n’est pas causalitéRécapitulatif : glace et soleil

9Mise à l’échelle des caractéristiques

Pourquoi mettre les caractéristiques à l’échelleMise à l’échelle Min-MaxStandardisationStandardScalerRécapitulatif : partenaires d’escalade

12Défis finaux

Retards des trainsQualité de l’airChimie du vinEnquête en clinique

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