Scores z

Fait partie de la section Statistiques pour le ML du Journey Machine Learning de Coddy. Leçon 11 sur 64.

Un élève a obtenu 78 en chimie et 85 en histoire. Quel résultat est le meilleur ? Mesure chaque résultat dans l’unité std propre à sa classe :

Deux droites numériques graduées en unités std. Chimie, moyenne 70 et std 4 : le résultat 78 se trouve à 2 std au-dessus de la moyenne. Histoire, moyenne 80 et std 10 : le résultat 85 se trouve seulement à 0,5 std au-dessus

Cette distance est le score z, z = (x - mean) / std. Chimie : (78 - 70) / 4 vaut 2.0. Histoire : (85 - 80) / 10 vaut 0.5. Le 78 l’emporte.

Pour un tableau entier, un z négatif signifie être en dessous de la moyenne :

temps = np.array([12, 15, 9, 18, 16])
print(np.round((temps - temps.mean()) / temps.std(), 2))

Cela affiche :

[-0.63  0.32 -1.58  1.26  0.63]

Les scores Z partagent une même échelle, avec une moyenne de 0 et un écart-type de 1, quelle que soit l’unité. L’âge et le revenu ont alors le même poids dans un modèle, quelle que soit l’ampleur de leurs valeurs.

Défi

Facile

Les scores des jeux de puzzle et de course d’une salle d’arcade sont sur des échelles très différentes. puzzle et racing contiennent chacun les scores de 12 habitués. Une nouvelle personne a joué aux deux jeux : le programme lit son score au jeu de puzzle, puis son score au jeu de course.

Affichez le score z de chaque résultat par rapport à son jeu, arrondi à 2 décimales (utilisez .std()).
Affichez le résultat le plus impressionnant.

Pour les entrées 790 et 16900 :

Puzzle z: 1.45
Racing z: 2.0
More impressive: Racing

Essayez vous-même

import numpy as np

puzzle = np.array([640, 720, 580, 810, 690, 750, 600, 700, 660, 730, 620, 780])
racing = np.array([12400, 15800, 13900, 11200, 16500, 14100,
                   12800, 15100, 13300, 14700, 12100, 14600])
p = int(input())
r = int(input())

# Écrivez votre code ci-dessous

Testez-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

Entraînez-vous par vous-même : Compilateur Python en ligne