Menu
CoddyTech
START LEARNING

Diagram Kotak per Kelompok

Termasuk bagian Statistik untuk ML dalam perjalanan Machine Learning di Coddy. Pelajaran 41 dari 64.

Dua kelompok berbeda: apakah perbedaannya nyata, atau hanya karena keberuntungan? Bab ini diakhiri dengan gambar yang menjawabnya:

Histogram 1000 perbedaan yang muncul secara kebetulan akibat pengacakan, menumpuk di sekitar 0, dengan garis merah untuk perbedaan nyata jauh di tepi kiri

Semuanya dimulai dari melihat grafik. Sebuah studio tembikar mencatat waktu penggunaan dua tungkunya. Berikan daftar kelompok beserta namanya ke ax.boxplot:

gas = np.array([6.5, 7, 7.5, 8, 7, 6.5, 8.5, 7.5])
electric = np.array([9, 10.5, 11, 9.5, 12, 10, 10.5, 15])
fig, ax = plt.subplots()
ax.boxplot([gas, electric], tick_labels=["Gas", "Electric"])
ax.set_ylabel("Hours")
plt.show()

Dua plot kotak pada satu sumbu: Gas rendah, dengan median sekitar 7.25 jam, dan Electric lebih tinggi, dengan median sekitar 10.5 jam, serta satu titik pencilan pada 15. Kotak-kotak tersebut tidak saling tumpang tindih

Kotak-kotaknya bahkan tidak saling tumpang tindih: gas terbakar lebih cepat. Bagi sebuah model, fitur yang kotak-kotaknya hampir tidak tumpang tindih membantu membedakan kelompok-kelompok tersebut.

challenge icon

Tantangan

Sedang

Sebuah resor ski mencatat waktu 36 perjalanan di tiga lift-nya. lifts.csv berisi lift (Red, Green atau Blue) dan minutes; kode awal memuatnya dan menyiapkan grafik.

  1. Lakukan perulangan pada names dan kumpulkan waktu setiap lift dalam sebuah list.
  2. Gambar satu kotak untuk setiap lift, dengan nama yang ditentukan menggunakan tick_labels=.
  3. Tampilkan grafik.

Program tidak mencetak apa pun; Coddy menjelaskan setiap kotak. Dua lift lainnya terlihat seperti ini:

Grafik berjudul Lift Times dengan dua diagram kotak bernama Orange dan Purple: Orange rendah, sekitar 18 menit, Purple lebih tinggi, sekitar 27.5 menit dengan satu titik pencilan pada 44

Coba sendiri

import pandas as pd
import matplotlib.pyplot as plt

lifts = pd.read_csv("lifts.csv")
names = ["Red", "Green", "Blue"]
# Jangan ubah baris-baris di bawah ini
fig, ax = plt.subplots()
ax.set_title("Lift Times")
ax.set_xlabel("Lift")
ax.set_ylabel("Minutes")

# 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