Menu
CoddyTech
COMMENCER À APPRENDRE
flag Fr iconFrançaisdown icon

Récapitulatif : anomalies des capteurs

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 28 sur 64.

challenge icon

Défi

Moyen

Tu te souviens des points isolés du diagramme en boîte ? Le capteur d’une réserve de musée enregistre l’humidité toutes les 15 minutes dans readings, et il arrive qu’il fasse des erreurs.

  1. Affiche le nombre de relevés signalés par chaque règle : en dehors des bornes de l’IQR, et avec un score z supérieur à 3 dans un sens ou dans l’autre.
  2. Limite les relevés aux bornes de l’IQR, puis affiche la moyenne avant et après, arrondie à 2 décimales.
  3. Dessine des diagrammes en boîte côte à côte, intitulés Before (les relevés) et After (les relevés limités), tous deux avec l’étiquette d’axe y Humidity (%).

Pour le journal d’un autre jour, le programme affiche :

IQR glitches: 3
Z-score glitches: 2
Mean before: 51.69
Mean after: 51.89

et dessine cette figure (Coddy décrira ensuite la tienne) :

Deux diagrammes en boîte côte à côte. Avant : une boîte aplatie autour de 52 pour cent, avec des points aberrants à 0, 31.5 et 99.9. Après, les relevés limités : une boîte complète d’environ 50.7 à 53.2, avec des moustaches d’environ 47 à 57 et aucun point

Essayez vous-même

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

log = pd.read_csv("humidity.csv")
readings = log["humidity"]

# 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