Récapitulatif : heures de pratique
Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 40 sur 64.
Défi
MoyenCombien de pratique hebdomadaire faut-il pour obtenir un score cible ? Le fichier practice.csv d’une école de langues contient les hours et les score de 20 apprenants ; le programme lit target.
- Ajuste la droite qui prédit
scoreà partir dehours; affiche la part qu’elle explique (1 décimale). - Affiche le nombre d’heures nécessaires selon la droite pour atteindre
target(2 décimales). - Si ce nombre est en dehors de la plage d’heures des données, affiche un avertissement.
- Trace les
Learners, laFiten fonction de leurs heures et le pointNeeded, avec une légende, les axesHours practicedetScore, et le titre ci-dessous.
Pour une autre école et 95 :
The line explains 98.6% of the scores
Hours for a score of 95: 9.27
Warning: outside the data, which runs from 0.5 to 8.0 hoursEnsuite, Coddy décrit le graphique, qui ressemble à ceci :
Essayez vous-même
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
practice = pd.read_csv("practice.csv")
target = int(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 ville7Droites de tendance
RésidusAjustement par les moindres carrésTracer la droite d’ajustementPrédire avec une droiteQualité de l’ajustementRécapitulatif : heures de pratique2Distributions
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 capteurs3Les 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