Menu
CoddyTech
START LEARNING

Kualitas Udara

Termasuk bagian Statistik untuk ML dalam perjalanan Machine Learning di Coddy. Pelajaran 62 dari 64.

Sebuah kota ingin membuat prakiraan cepat untuk debu halus, PM2.5. Sensor jalanannya mencatat data selama 40 hari di air.csv:

Grafik garis PM2.5 harian selama 40 hari, berfluktuasi antara sekitar 16 dan 61, setiap hari berada di atas garis putus-putus pada angka 15 yang ditandai sebagai pedoman harian WHO

Setiap baris memuat data angin, suhu, kelembapan, lalu lintas, dan pm25 selama satu hari. Salah satunya melacak debu jauh lebih baik daripada yang lain.

Temukan, sesuaikan garis, dan tentukan seberapa jauh kamu bisa memercayainya: seberapa banyak yang dijelaskannya, di bagian mana kesalahannya paling besar, dan kapan perkiraan melampaui data.

challenge icon

Tantangan

Sulit

Program membaca nilai fitur terbaik untuk hari baru. Bulatkan ke 2 desimal.

  1. Cetak fitur dengan nilai r terkuat terhadap pm25, tanpa memperhatikan tanda, serta nilai r bertandanya.
  2. Sesuaikan sebuah garis. Cetak garis tersebut, nilai R squared-nya, serta baris yang paling meleset beserta residualnya.
  3. Buat prediksi untuk nilai tersebut, dan berikan peringatan jika nilainya berada di luar data fitur.
  4. Gambar titik-titik dan garis merah dari nilai terkecil hingga terbesar: judul Air Quality, fitur pada sumbu mendatar, PM2.5 pada sumbu tegak.

Untuk kota lain dan input 8:

Best feature: traffic_k (r = 0.86)
Line: pm25 = 1.11 * traffic_k + 13.67
R squared: 0.73
Largest miss: row 14 (residual 11.15)
Prediction at 8.0: 22.57
Warning: outside the data

Diagram sebar berjudul Air Quality, traffic_k pada sumbu mendatar dan PM2.5 pada sumbu tegak, 30 titik naik ke kanan dengan garis merah hasil penyesuaian

Setelah baris-baris kodemu, Coddy mendeskripsikan diagrammu.

Coba sendiri

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

value = float(input())
df = pd.read_csv("air.csv")

# Tulis kodemu di bawah ini
quiz iconUji dirimu

Pelajaran ini berisi kuis singkat. Mulai pelajarannya untuk menjawab kuis dan melacak progresmu.

Semua pelajaran di Statistik untuk ML

1Pusat dan Sebaran

Rata-rata dan MedianPersentil dan KuartilVarians dan Simpangan BakuSampel atau Populasi?Nilai yang Paling Sering MunculRangkuman: Waktu Pengiriman

4Sampel dan Populasi

Populasi dan SampelRata-rata Sampel BervariasiDistribusi SamplingSampel Lebih Besar, Lebih Sedikit GangguanRangkuman: Jajak Pendapat di Sebuah Kota

7Garis Tren

ResidualPencocokan Kuadrat TerkecilMenggambar Garis KecocokanMemprediksi dengan GarisSeberapa Baik Kecocokannya?Rangkuman: Jam Latihan

10Kategori Encoding

Kategori sebagai AngkaOne-Hot EncodingMengelompokkan AngkaRangkuman: Daftar Mobil

2Distribusi

Histogram KepadatanBentuk DataKurva NormalAturan 68-95-99,7Skor-ZRekap: Daya Tahan Baterai

5Nilai Pencilan

Diagram KotakAturan IQRAturan Z-ScoreMenangani Nilai PencilanRangkuman: Gangguan Sensor

8Membandingkan Kelompok

Diagram Kotak per KelompokPerbedaan Rata-rataMungkinkah Ini Kebetulan?Nilai-pUji-tRangkuman: Uji A/B

11Menjelajahi Dataset

Melihat SekilasSemua Fitur SekaligusFitur Dibandingkan dengan LabelDua Fitur TerbaikRangkuman: Data Diabetes

3Probabilitas melalui Simulasi

Probabilitas sebagai FrekuensiHukum Bilangan BesarJumlah Mata DaduNilai HarapanProbabilitas BersyaratRangkuman: Peluang di Lapak Dadu

6Hubungan

Membaca Diagram PencarKorelasiMatriks KorelasiPeta Panas KorelasiKorelasi Bukan Sebab-AkibatRangkuman: Es Krim dan Matahari

9Skala Fitur

Mengapa Fitur Perlu DiskalakanSkala Min-MaksStandardisasiStandardScalerRekap: Rekan Mendaki

12Tantangan Akhir

Keterlambatan KeretaKualitas UdaraKimia AnggurSurvei Klinik

Latihan sendiri: Compiler Python online