Menu
CoddyTech
COMMENCER À APPRENDRE
flag Fr iconFrançaisdown icon

Récapitulatif : sonder une ville

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 23 sur 64.

challenge icon

Défi

Moyen

Il est temps d’interroger la ville au sujet d’un nouveau parc. Un sondage indique la proportion de personnes favorables, à plus ou moins une marge : 2 fois le .std() du sondage divisé par la racine carrée de sa taille. Les marges couvrent-elles la vérité ? 25 sondages d’une autre ville :

25 sondages représentés par des barres horizontales, chacune indiquant une proportion avec sa marge. Une ligne en tirets indique le vrai soutien, 0.52, et une ligne en pointillés la marque de la moitié, 0.5. 24 barres couvrent le vrai soutien ; celle qui le manque, le sondage 5, est orange et porte l’étiquette « le sondage 5 manque la cible »

voters contient 1 pour chaque personne favorable et 0 pour les autres ; le programme lit la taille du sondage.

  1. Affiche le vrai soutien.
  2. Effectue 400 sondages auprès de personnes différentes ; affiche la proportion et la marge du premier.
  3. Affiche le nombre de marges qui couvrent le vrai soutien, ainsi que le nombre de sondages qui indiquent 0.5 ou moins.

Proportions et marges à 3 décimales. Pour cette autre ville et 200 :

True support: 0.52
First poll: 0.525, give or take 0.071
Margins that caught the truth: 384 of 400
Polls calling it wrong: 127

Essayez vous-même

import numpy as np

size = int(input())

# Ne modifiez pas les lignes ci-dessous : 1 pour chaque électeur favorable au parc, 0 pour les autres
voters = np.concatenate([np.ones(10800), np.zeros(9200)])
rng = np.random.default_rng(23)

# 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