La loi des grands nombres
Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 14 sur 64.
Lancer une pièce 10 fois et obtenir 8 fois pile n’a rien de surprenant. Continuez à la lancer, et la proportion de piles tend lentement vers 0,5 :
Chaque point a besoin de la proportion obtenue jusque-là. np.cumsum donne le total cumulé ; divisez-le par le nombre de lancers effectués jusque-là :
heads = np.array([True, False, True, True])
print(np.cumsum(heads))
print(np.round(np.cumsum(heads) / np.arange(1, 5), 2))Cela affiche :
[1 1 2 3]
[1. 0.5 0.67 0.75]ax.axhline(y) trace la ligne de référence en travers du graphique :
ax.plot(np.arange(1, 301), share)
ax.axhline(0.5, color="red", linestyle="--")C’est la loi des grands nombres : plus il y a d’essais, plus on se rapproche de la probabilité. Un modèle qui obtient de bons résultats sur 20 échantillons peut avoir de la chance ; sur 2000, beaucoup moins.
Défi
MoyenUne marque de céréales cache un jouet dans 20 % des boîtes. Le programme lit le nombre de boîtes ouvertes ; le code de départ remplit toys (True pour un jouet) et étiquette le graphique.
- Calcule la proportion cumulée de jouets.
- Affiche-la après 10 boîtes et après toutes les boîtes, avec 3 décimales.
- Trace-la en fonction du numéro des boîtes à partir de 1, ajoute une ligne pointillée noire (
":") à 0.2 et affiche le graphique.
Pour 80 autres boîtes :
After 10 boxes: 0.1
After 80 boxes: 0.212et trace ce graphique. Ensuite, Coddy décrit le tien.
Essayez vous-même
import numpy as np
import matplotlib.pyplot as plt
boxes = int(input())
# Ne modifiez pas les lignes ci-dessous
rng = np.random.default_rng(25)
toys = rng.random(boxes) < 0.2
fig, ax = plt.subplots()
ax.set_title("Toys in Cereal Boxes")
ax.set_xlabel("Boxes opened")
ax.set_ylabel("Share with a toy")
# Écrivez votre code ci-dessous
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