Menu
CoddyTech
START LEARNING

Kimia Anggur

Termasuk bagian Statistik untuk ML dalam perjalanan Machine Learning di Coddy. Pelajaran 63 dari 64.

Seorang importir anggur menguji 178 anggur dari tiga kultivar anggur, masing-masing dengan 13 pembacaan kimia: load_wine. Sebelum model mempelajari kultivar tersebut, laboratorium mencari kesalahan pembacaan alat.

Plot kotak dari tiga pembacaan anggur mentah pada satu sumbu: magnesium tersebar dari sekitar 70 hingga 162, sementara alkohol di sekitar 13 dan hue di sekitar 1 terhimpit menjadi garis datar di bagian bawah

Nilai bacaan berada pada skala yang sangat berbeda, jadi tidak ada satu aturan pencilan yang cocok untuk semuanya. Setelah distandardisasi, setiap nilai bacaan menunjukkan jumlah simpangan baku dari rata-ratanya.

Pada penggaris itu, apa pun yang berjarak lebih dari 3 ke sisi mana pun perlu dilihat lagi. Sebuah kotak untuk tiap kultivar kemudian menunjukkan posisi yang biasanya ditempati masing-masing.

challenge icon

Tantangan

Sulit

Program membaca nama fitur.

  1. Simpan skor-z fitur tersebut di df["z"], dengan menggunakan .std() dari pandas.
  2. Cetak jumlah wine yang nilainya berada di luar rentang 3, ke kedua arah, lalu cetak setiap wine sesuai urutan tabel: indeks, nilai, dan z.
  3. Cetak nilai rata-rata z setiap varietas.
  4. Gambar satu kotak skor-z untuk setiap varietas, dengan nama dari wine.target_names, fitur sebagai judul, dan z-score sebagai label y.

Bulatkan ke 2 angka desimal. Untuk color_intensity, program mencetak:

Outliers in color_intensity: 1
Wine 158: 13.0 (z = 3.43)
class_0: 0.2
class_1: -0.85
class_2: 1.01

dan menggambar:

Tiga box plot skor-z color_intensity berjudul color_intensity: class_0 berada di sekitar 0.15, class_1 rendah di sekitar -0.9 dengan beberapa titik di atasnya, class_2 tinggi di sekitar 1.1 dengan whisker mencapai 3.43

Lalu Coddy menjelaskan box-mu.

Coba sendiri

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_wine

feature = input()
wine = load_wine(as_frame=True)
df = wine.frame

# 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