כימיה של יין
חלק מהיחידה סטטיסטיקה ללמידת מכונה במסלול ה-Machine Learning של Coddy. שיעור 63 מתוך 64.
יבואן יין בדק 178 יינות משלושה זני ענבים, עם 13 מדידות כימיות לכל אחד: load_wine. לפני שמודל לומד את הזנים, המעבדה מחפשת שגיאות מדידה במכשירים.
הקריאות נמצאות על סרגלים שונים מאוד, ולכן כלל יחיד לזיהוי ערכים חריגים אינו מתאים לכולן. לאחר תקנון, כל קריאה מציינת את מספר סטיות התקן מהממוצע שלה.
על הסרגל הזה, ערכים המרוחקים ביותר מ־3, משני הצדדים, מצדיקים מבט נוסף. תיבה לכל זן מציגה היכן כל אחד מהם נמצא בדרך כלל.
אתגר
קשההתוכנית קוראת שם של מאפיין.
- שמור את ציוני ה-z שלו ב-
df["z"], באמצעות.std()של pandas. - הדפס כמה יינות נמצאים במרחק של יותר מ-3, בכל אחד מהכיוונים, ואז הדפס כל אחד מהם לפי סדר הטבלה: אינדקס, ערך ו-z.
- הדפס את ממוצע ה-z של כל זן.
- צייר תיבת ציוני z אחת לכל זן, עם שמות מתוך
wine.target_names, כותרת עם שם המאפיין ותווית y בשםz-score.
עגל ל-2 ספרות אחרי הנקודה העשרונית. עבור color_intensity, התוכנית מדפיסה:
Outliers in color_intensity: 1
Wine 158: 13.0 (z = 3.43)
class_0: 0.2
class_1: -0.85
class_2: 1.01ומציירת:
לאחר מכן Coddy מתאר את התיבות שלך.
נסו בעצמכם
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
# כתבו את הקוד שלכם למטה
בחנו את עצמכםהשיעור הזה כולל חידון קצר. התחילו את השיעור כדי לענות עליו ולעקוב אחרי ההתקדמות.
כל השיעורים ביחידה סטטיסטיקה ללמידת מכונה
1מרכז ופיזור
ממוצע וחציוןאחוזונים ורבעוניםשונות וסטיית תקןמדגם או אוכלוסייה?הערך השכיח ביותרסיכום: זמני משלוח4מדגמים ואוכלוסיות
אוכלוסייה ומדגםממוצעי מדגמים משתניםהתפלגות הדגימהמדגמים גדולים יותר, פחות רעשסיכום: סקר בעיירה5ערכים חריגים
תרשימי קופסהכלל הטווח הבין־רבעוני (IQR)כלל ציון Zטיפול בערכים חריגיםסיכום: תקלות בחיישניםתרגלו בעצמכם: קומפיילר Python אונליין