Menu
CoddyTech
COMMENCER À APPRENDRE
flag Fr iconFrançaisdown icon

Chimie du vin

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 63 sur 64.

Un importateur de vin a analysé 178 vins issus de trois cépages, avec 13 mesures chimiques pour chacun : load_wine. Avant qu’un modèle n’apprenne à reconnaître les cépages, le laboratoire recherche les erreurs de mesure.

Diagrammes en boîte de trois mesures brutes du vin sur un même axe : le magnésium s’étend d’environ 70 à 162, tandis que l’alcool, autour de 13, et la teinte, autour de 1, sont écrasés en lignes plates au bas du graphique

Les mesures se situent sur des échelles très différentes ; aucune règle unique de détection des valeurs aberrantes ne leur convient toutes. Une fois standardisée, chaque mesure est exprimée en écarts-types par rapport à sa moyenne.

Sur cette règle, tout ce qui se trouve à plus de 3 de chaque côté mérite un second examen. Une boîte par cultivar indique ensuite où chacun se situe habituellement.

challenge icon

Défi

Difficile

Le programme lit le nom d'une caractéristique.

  1. Stocke ses scores z dans df["z"], en utilisant .std() de pandas.
  2. Affiche le nombre de vins situés au-delà de 3, de chaque côté, puis chacun d'eux dans l'ordre du tableau : index, valeur et score z.
  3. Affiche la moyenne des scores z de chaque cultivar.
  4. Dessine une boîte de scores z par cultivar, nommée avec wine.target_names, avec la caractéristique comme titre et z-score comme étiquette de l'axe y.

Arrondis à 2 décimales. Pour color_intensity, le programme affiche :

Outliers in color_intensity: 1
Wine 158: 13.0 (z = 3.43)
class_0: 0.2
class_1: -0.85
class_2: 1.01

et dessine :

Trois boîtes à moustaches des scores z de color_intensity, intitulées color_intensity : class_0 autour de 0.15, class_1 bas autour de -0.9 avec quelques points au-dessus, class_2 haut autour de 1.1 avec une moustache atteignant 3.43

Ensuite, Coddy décrit tes boîtes.

Essayez vous-même

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_wine

feature = input()
wine = load_wine(as_frame=True)
df = wine.frame

# Écrivez votre code ci-dessous
quiz iconTestez-vous

Cette 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 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