סיכום: שותפים בטיפוס

חלק מהיחידה סטטיסטיקה ללמידת מכונה במסלול ה-Machine Learning של Coddy. שיעור 51 מתוך 64.

אתגר

בינוני

חדר טיפוס משדך כל מצטרף חדש לחבר שהכי דומה לו. כל שורה ב־members מייצגת חבר, ששמו מופיע ב־names: גובה (ס״מ), מוטת ידיים (ס״מ) וזמן תלייה על מתח (בדקות). התוכנית קוראת את המדידות של המצטרף החדש.

מצאו את החבר הקרוב ביותר בטבלה הגולמית.
בצעו תקנון באמצעות StandardScaler שאומן על נתוני החברים; הדפיסו את הנתונים המתוקננים של המצטרף החדש.
מצאו שוב את החבר הקרוב ביותר, הפעם בטבלאות המתוקננות.

עגלו ל־2 ספרות אחרי הנקודה העשרונית. חדר טיפוס אחר, עם שלושה חברים:

חדר טיפוס אחר בצורת טבלה: מצטרף חדש ושלושה חברים, קים, לו ומקס, עם נתוני גובה, מוטת ידיים וזמן תלייה. לידם המרחק של כל חבר מהמצטרף החדש: בנתונים הגולמיים, קים הוא הקרוב ביותר במרחק 4.56; בנתונים המתוקננים, לו הוא הקרוב ביותר במרחק 1.09

הפלט שלו:

Nearest before scaling: Kim (4.56)
Newcomer scaled: [[-0.38 -0.54  0.98]]
Nearest after scaling: Lou (1.09)

נסו בעצמכם

import numpy as np
from sklearn.preprocessing import StandardScaler

names = ["Iris", "Jon", "Kai", "Lena", "Max", "Nora"]
# שורה אחת לכל חבר: גובה בס"מ, מוטת זרועות בס"מ, זמן תלייה במתח בדקות
members = np.array([[166, 169, 1.6],
                    [182, 188, 1.1],
                    [171, 170, 2.3],
                    [176, 181, 1.4],
                    [188, 191, 2.0],
                    [160, 163, 0.9]])
# החבר החדש
height = float(input())
span = float(input())
hang = float(input())

# כתבו את הקוד שלכם למטה

כל השיעורים ביחידה סטטיסטיקה ללמידת מכונה

3הסתברות באמצעות סימולציה

הסתברות כתדירות חוק המספרים הגדולים סכומי הטלות קוביות ערך צפוי הסתברות מותנית סיכום: סיכויי דוכן הקוביות

6קשרים

קריאת תרשימי פיזור מתאם מטריצת מתאמים מפות חום של מתאמים מתאם אינו סיבתיות סיכום: גלידה והשמש

9סקיילינג של תכונות

למה לבצע סקיילינג לתכונות סקיילינג לפי מינימום-מקסימום תקנון StandardScalerסיכום: שותפים בטיפוס

12אתגרים מסכמים

עיכובים ברכבות איכות האוויר כימיה של יין סקר במרפאה

תרגלו בעצמכם: קומפיילר Python אונליין