Menu
CoddyTech
COMMENCER À APPRENDRE
flag Fr iconFrançaisdown icon

Récapitulatif : partenaires d’escalade

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 51 sur 64.

challenge icon

Défi

Moyen

Une salle d’escalade associe chaque nouvelle personne au membre qui lui ressemble le plus. Chaque ligne de members correspond à un membre, nommé dans names : taille (cm), envergure des bras (cm) et suspension à la barre (minutes). Le programme lit les mesures de la nouvelle personne.

  1. Trouve le membre le plus proche dans le tableau brut.
  2. Standardise avec un StandardScaler ajusté sur les membres ; affiche les valeurs standardisées de la nouvelle personne.
  3. Trouve à nouveau le membre le plus proche, dans les tableaux standardisés.

Arrondis à 2 décimales. Une autre salle, avec trois membres :

Une autre salle sous forme de tableau : une nouvelle personne et trois membres, Kim, Lou et Max, avec leur taille, leur envergure et leur durée de suspension. À côté, la distance de chaque membre à la nouvelle personne : brute, Kim est la plus proche à 4.56 ; standardisée, Lou est la plus proche à 1.09

Son résultat :

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

Essayez vous-même

import numpy as np
from sklearn.preprocessing import StandardScaler

names = ["Iris", "Jon", "Kai", "Lena", "Max", "Nora"]
# Une ligne par membre : taille en cm, envergure des bras en cm, durée de suspension passive en minutes
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]])
# Le nouveau membre
height = float(input())
span = float(input())
hang = float(input())

# Écrivez votre code ci-dessous

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