Les moyennes d’échantillon varient
Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 20 sur 64.
Un échantillon de 30 colis donne une estimation de leur poids moyen. Faites un nouveau tirage et vous en obtenez une autre. Voici 40 échantillons :
Pour les collecter, répète l’échantillonnage dans une boucle, ajoute chaque moyenne à une liste, puis transforme la liste en tableau :
means = []
for i in range(5):
sample = rng.choice(parcels, size=30, replace=False)
means.append(sample.mean())
means = np.array(means)
print(np.round(means, 2))Cela affiche :
[7.98 8.05 8.12 8.19 8.76]Une moyenne d’échantillon est elle-même aléatoire, et means.std() mesure l’ampleur de ses variations. Le score de test d’un modèle est une telle moyenne : un autre jeu de test le ferait varier.
Défi
MoyenUn jardinier mesure chaque semaine un échantillon aléatoire des 1800 plants de bambou d’une pépinière. De combien la moyenne de l’échantillon peut-elle varier d’une semaine à l’autre ?
Complète sample_means(data, size, count) : tire count échantillons de size valeurs de data, sans prendre deux fois la même valeur dans un échantillon, et ajoute la moyenne de chaque échantillon. Les dernières lignes du code de départ appellent cette fonction et affichent le rapport.
Pour une autre pépinière et des échantillons de 10 :
200 means of 10 plants: 105.25 to 137.13 cm
Spread of the means (std): 5.27 cmEssayez vous-même
import numpy as np
size = int(input())
# Ne modifiez pas les lignes ci-dessous : la hauteur en cm de chaque plant de bambou
rng = np.random.default_rng(20)
heights = np.round(rng.normal(95, 15, size=1800), 1)
def sample_means(data, size, count):
means = []
# Écrivez votre code ci-dessous : prélevez count échantillons de size valeurs et conservez chaque moyenne
return np.array(means)
# Ne modifiez pas les lignes ci-dessous
means = sample_means(heights, size, 200)
print(f"200 means of {size} plants: {np.round(means.min(), 2)} to {np.round(means.max(), 2)} cm")
print(f"Spread of the means (std): {np.round(means.std(), 2)} cm")
Testez-vousCette leçon comprend un petit quiz. Commencez la leçon pour y répondre et suivre votre progression.
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 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