Menu
CoddyTech
START LEARNING

Survei Klinik

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

Sebuah klinik menanyakan kepada 48 pasien tentang kunjungan mereka: usia, jenis kunjungan, waktu tunggu dalam menit, dan kepuasan, dari poor hingga excellent. Semuanya ada di clinic.csv.

Apa yang mendorong kepuasan? Dua kolom berisi teks, jadi enkode kolom tersebut terlebih dahulu. Tingkat kepuasan memiliki urutan, sedangkan jenis kunjungan tidak:

Baris seorang pasien sebelum dan sesudah encoding: usia 58, kunjungan tindak lanjut, waktu tunggu 30, kepuasan baik menjadi usia 58, waktu tunggu 30, kepuasan 3, lalu 0, 1, 0 di tiga kolom kunjungan untuk pemeriksaan, tindak lanjut, dan kondisi mendesak

Kemudian, setiap kolom berisi angka, dan satu peta panas menunjukkan hubungan antarsemuanya. Manajer juga menginginkan laporan untuk setiap jenis kunjungan dan kelompok usia yang paling tidak puas.

challenge icon

Tantangan

Sulit

Program membaca jenis kunjungan. Bulatkan ke 2 angka desimal.

  1. Petakan kepuasan ke nilai 1 sampai 4, lakukan one-hot pada visit ke dalam encoded (dtype=int), dan pertahankan korelasinya.
  2. Untuk jenis kunjungan tersebut: jumlah kunjungan, rata-rata waktu tunggu dan kepuasan, serta persentase yang tidak puas (2 atau kurang) di antara mereka dan secara keseluruhan.
  3. Bagi usia dengan batas 17, 34, 54, 85 menjadi 18-34, 35-54, 55-85; cetak kelompok dengan kepuasan terendah.
  4. Gambar matriks: coolwarm dari -1 sampai 1, sebuah color bar, nama kolom pada kedua sumbu, judul Clinic Survey.

Untuk klinik lain dan urgent:

urgent: 16 visits, mean wait 30.44, mean satisfaction 2.44
Unhappy after urgent: 0.56 (overall 0.33)
Least satisfied: 35-54 (2.6)

Heatmap berjudul Clinic Survey dengan color bar dari -1 sampai 1 dan enam nama kolom pada kedua sumbu: age, wait_min, satisfaction, visit_checkup, visit_follow-up, visit_urgent; diagonal merah, wait_min dan satisfaction merupakan pasangan biru tua

Setelah baris kodemu, Coddy menjelaskan heatmap-mu.

Coba sendiri

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

visit = input()
df = pd.read_csv("clinic.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