Récapitulatif : données sur le diabète
Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 60 sur 64.
Défi
MoyenDix mesures de 442 patients atteints de diabète, déjà ramenées à de petites valeurs autour de 0, et une étiquette qui est un nombre : le degré de progression de la maladie un an plus tard.
Charge load_diabetes avec as_frame=True. Le programme lit la caractéristique demandée par un médecin. Affiche :
- Premier aperçu : les patients et les cellules manquantes.
- La moyenne et la médiane de l'étiquette, à 1 décimale.
- La caractéristique la plus forte et son r signé, à 2 décimales.
- Une droite à partir de la caractéristique demandée : pente et ordonnée à l'origine à 1 décimale, R carré à 2.
Pour une clinique fictive et l'entrée age :
Patients: 300
Missing cells: 0
Progression: mean 118.6, median 118.0
Strongest feature: s2 (r = -0.75)
Line for age: slope 127.6, intercept 118.6
R squared: 0.01Une caractéristique explique une partie du phénomène. Dans la section 3, un modèle utilisera les dix à la fois.
Essayez vous-même
import numpy as np
from sklearn.datasets import load_diabetes
feature = 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 livraison4Échantillons et populations
Population et échantillonLes moyennes d’échantillon varientLa distribution d’échantillonnageDes échantillons plus grands, moins de bruitRécapitulatif : sonder une ville2Distributions
Histogrammes de densitéFormes des donnéesLa courbe normaleLa règle des 68-95-99,7Scores zRécapitulatif : autonomie de la batterie5Valeurs aberrantes
Diagrammes en boîteLa règle de l’écart interquartileLa règle du score ZTraiter les valeurs aberrantesRécapitulatif : anomalies des capteurs8Comparer des groupes
Diagrammes en boîte par groupeDifférence entre les moyennesEst-ce dû au hasard ?Valeurs pLe test tRécapitulatif : test A/B11Explorer un jeu de données
Un premier aperçuToutes les caractéristiques à la foisCaractéristiques et étiquetteLes deux meilleures caractéristiquesRécapitulatif : données sur le diabète3Les probabilités par simulation
La probabilité comme fréquenceLa loi des grands nombresSommes de désEspérance mathématiqueProbabilité conditionnelleRécapitulatif : les chances au stand de dés6Relations
Lire des nuages de pointsCorrélationMatrice de corrélationCartes thermiques de corrélationCorrélation n’est pas causalitéRécapitulatif : glace et soleil9Mise à l’échelle des caractéristiques
Pourquoi mettre les caractéristiques à l’échelleMise à l’échelle Min-MaxStandardisationStandardScalerRécapitulatif : partenaires d’escaladeEntraînez-vous par vous-même : Compilateur Python en ligne