Menu
CoddyTech
COMMENCER À APPRENDRE
flag Fr iconFrançaisdown icon

Récapitulatif : glace et soleil

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 34 sur 64.

challenge icon

Défi

Moyen

C’est le moment de représenter toutes les relations sous forme de grille. Un kiosque de plage a enregistré 40 jours de données dans kiosk.csv : une colonne date et six colonnes numériques. Le programme lit le nom d’une colonne.

  1. Affiche la colonne qui lui est le plus fortement liée, sans tenir compte du signe.
  2. Affiche la paire de colonnes différentes présentant la relation la plus forte, en vérifiant chaque paire une seule fois, dans l’ordre du tableau.
  3. Représente la matrice sous forme de carte thermique coolwarm allant de -1 à 1, avec une barre de couleurs, les noms comme graduations et le titre Kiosk Correlations.

Arrondis les deux valeurs de r à 2 décimales. Pour un journal plus petit et la saisie temp_c :

Most related to temp_c: ice_creams (r = 0.87)
Strongest pair: visitors and ice_creams (r = 0.96)

et le graphique (Coddy décrira ensuite le tien) :

Carte thermique 3 sur 3 intitulée Kiosk Correlations, avec temp_c, visitors et ice_creams comme étiquettes des graduations ; chaque cellule est d’une nuance de rouge, et les cellules hors diagonale correspondant à visitors et ice_creams sont les plus foncées

Essayez vous-même

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

kiosk = pd.read_csv("kiosk.csv")
column = 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