Menu
CoddyTech
START LEARNING

Histogram Kepadatan

Termasuk bagian Statistik untuk ML dalam perjalanan Machine Learning di Coddy. Pelajaran 7 dari 64.

Bab ini membahas bentuk data. Di akhir bab ini, kamu akan mencocokkan kurva lonceng dengan histogram dan menemukan data yang berbeda:

Histogram 300 berat melon dengan kurva lonceng oranye yang halus di atasnya dan titik merah di bawah melon yang paling ringan

Pertama, perbaikan. Jumlah bisa membuat kelompok besar tampak jauh lebih besar daripada kelompok kecil, seperti waktu reaksi 500 orang dewasa dibandingkan dengan 50 gamer:

Dua grafik waktu reaksi yang sama. Kiri, jumlah: 500 orang dewasa jauh lebih menonjol daripada 50 gamer, yang batangnya hampir tidak terlihat. Kanan, density=True: kedua kelompok terlihat utuh, gamer lebih cepat dan lebih mengelompok

density=True menskalakan setiap kelompok sehingga total luas batangnya menjadi 1:

ax.hist(adults, bins=16, density=True, alpha=0.5, label="adults")
ax.hist(gamers, bins=16, density=True, alpha=0.5, label="gamers")

Setiap tinggi adalah count / (n * bin width), sehingga luas batang menunjukkan bagiannya dari kelompok. Kini, kelompok dengan ukuran apa pun dapat dibandingkan secara adil.

challenge icon

Tantangan

Mudah

Sebuah rumah sakit di kota menimbang 400 bayi baru lahir, sedangkan rumah sakit di pedesaan menimbang 60 bayi. Kode awal menyimpan beratnya dalam city dan rural, serta menyiapkan grafik dengan judul dan label.

  1. Gambar histogram kepadatan untuk setiap kelompok dengan bins=10, alpha=0.5, dan label city atau rural.
  2. Tambahkan legenda dan tampilkan grafiknya.

Coddy menjelaskan grafikmu. Tampilannya seharusnya seperti grafik ini, dari dua petani tomat:

Dua histogram kepadatan transparan berjudul Berat Tomat: tomat dari kebun pertanian berbobot sekitar 90 hingga 200 gram, tomat dari kebun rumah lebih ringan, sebagian besar berbobot 95 hingga 145 gram, dengan legenda

Coba sendiri

import numpy as np
import matplotlib.pyplot as plt

# Jangan ubah baris-baris di bawah ini
rng = np.random.default_rng(23)
city = np.round(rng.normal(3.4, 0.5, size=400), 2)
rural = np.round(rng.normal(3.2, 0.45, size=60), 2)

fig, ax = plt.subplots()
ax.set_title("Birth Weights")
ax.set_xlabel("Weight (kg)")
ax.set_ylabel("Density")

# 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