Menu
CoddyTech
START LEARNING

Rekap: Rekan Mendaki

Termasuk bagian Statistik untuk ML dalam perjalanan Machine Learning di Coddy. Pelajaran 51 dari 64.

challenge icon

Tantangan

Sedang

Gym panjat tebing memasangkan setiap anggota baru dengan anggota yang paling mirip. Setiap baris members mewakili seorang anggota, yang namanya tercantum di names: tinggi badan (cm), rentang lengan (cm), dan dead hang (durasi bergantung di palang dalam menit). Program membaca pengukuran anggota baru.

  1. Temukan anggota terdekat di tabel mentah.
  2. Lakukan standardisasi dengan StandardScaler yang di-fit pada para anggota, lalu cetak hasil penskalaan anggota baru.
  3. Temukan lagi anggota terdekat pada tabel yang sudah diskalakan.

Bulatkan ke 2 angka desimal. Gym lain memiliki tiga anggota:

Gym lain dalam bentuk tabel: seorang anggota baru dan tiga anggota, Kim, Lou, dan Max, dengan tinggi badan, rentang lengan, dan durasi bergantung. Di sampingnya, jarak setiap anggota ke anggota baru: mentah, Kim paling dekat dengan jarak 4.56; setelah diskalakan, Lou paling dekat dengan jarak 1.09

Output-nya:

Nearest before scaling: Kim (4.56)
Newcomer scaled: [[-0.38 -0.54  0.98]]
Nearest after scaling: Lou (1.09)

Coba sendiri

import numpy as np
from sklearn.preprocessing import StandardScaler

names = ["Iris", "Jon", "Kai", "Lena", "Max", "Nora"]
# Satu baris untuk setiap anggota: tinggi badan dalam cm, rentang lengan dalam cm, durasi bergantung dalam menit
members = np.array([[166, 169, 1.6],
                    [182, 188, 1.1],
                    [171, 170, 2.3],
                    [176, 181, 1.4],
                    [188, 191, 2.0],
                    [160, 163, 0.9]])
# Anggota baru
height = float(input())
span = float(input())
hang = float(input())

# Tulis kodemu di bawah ini

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