ממוצעי מדגמים משתנים

חלק מהיחידה סטטיסטיקה ללמידת מכונה במסלול ה-Machine Learning של Coddy. שיעור 20 מתוך 64.

מדגם אחד של 30 חבילות נותן אומדן אחד למשקל הממוצע שלהן. דגום שוב ותקבל אומדן אחר. הנה 40 מדגמים:

40 נקודות, אחת לכל מדגם של 30 חבילות, מפוזרות בין כ־7.2 ל־8.8 ק״ג סביב קו מקווקו המציין את הממוצע האמיתי של כל החבילות, 8.05 ק״ג

כדי לאסוף אותם, חזרו על הדגימה בלולאה, הוסיפו כל ממוצע לרשימה, ואז הפכו את הרשימה למערך:

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))

זה מדפיס:

[7.98 8.05 8.12 8.19 8.76]

ממוצע מדגם הוא בעצמו משתנה אקראי, ו־means.std() מודד עד כמה הוא משתנה. ציון המבחן של מודל הוא ממוצע כזה: קבוצת מבחן אחרת הייתה משנה אותו.

אתגר

בינוני

גנן מודד בכל שבוע מדגם אקראי מתוך 1800 צמחי הבמבוק במשתלה. בכמה עשוי ממוצע המדגם להשתנות משבוע לשבוע?

השלם את sample_means(data, size, count): דגום count מדגמים של size ערכים מתוך data, בלי שאותו ערך יופיע פעמיים במדגם, והוסף את הממוצע של כל מדגם. השורות האחרונות בקוד ההתחלתי קוראות לפונקציה ומדפיסות את הדוח.

עבור משתלה אחרת ומדגמים בגודל 10:

200 means of 10 plants: 105.25 to 137.13 cm
Spread of the means (std): 5.27 cm

נסו בעצמכם

import numpy as np

size = int(input())

# אל תשנו את השורות שלהלן: הגובה ב-cm של כל צמח במבוק
rng = np.random.default_rng(20)
heights = np.round(rng.normal(95, 15, size=1800), 1)


def sample_means(data, size, count):
    means = []
    # כתבו את הקוד שלכם למטה: count דגימות של size ערכים, ושמרו את הממוצע של כל דגימה

    return np.array(means)


# אל תשנו את השורות שלהלן
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")

בחנו את עצמכם

השיעור הזה כולל חידון קצר. התחילו את השיעור כדי לענות עליו ולעקוב אחרי ההתקדמות.

כל השיעורים ביחידה סטטיסטיקה ללמידת מכונה

1מרכז ופיזור

ממוצע וחציון אחוזונים ורבעונים שונות וסטיית תקן מדגם או אוכלוסייה?הערך השכיח ביותר סיכום: זמני משלוח

4מדגמים ואוכלוסיות

אוכלוסייה ומדגםממוצעי מדגמים משתניםהתפלגות הדגימה מדגמים גדולים יותר, פחות רעש סיכום: סקר בעיירה

7קווי מגמה

שאריות התאמת ריבועים פחותים שרטוט קו ההתאמה חיזוי באמצעות קו עד כמה ההתאמה טובה?סיכום: שעות תרגול

10קידוד קטגוריות

קטגוריות כמספרים קידוד One-Hot חלוקה למקטעים של מספרים סיכום: מודעות רכב

תרגלו בעצמכם: קומפיילר Python אונליין