Menu
CoddyTech
INIZIA A IMPARARE
flag It iconItalianodown icon

Riepilogo: compagni di scalata

Fa parte della sezione Statistica per il machine learning del percorso Machine Learning di Coddy. Lezione 51 di 64.

challenge icon

Sfida

Medio

Una palestra di arrampicata abbina ogni nuovo arrivato al membro più simile. Ogni riga di members rappresenta un membro, indicato in names: altezza (cm), apertura delle braccia (cm) e sospensione alla sbarra (minuti). Il programma legge le misure del nuovo arrivato.

  1. Trova il membro più vicino nella tabella non normalizzata.
  2. Standardizza con uno StandardScaler adattato sui membri; stampa i dati standardizzati del nuovo arrivato.
  3. Trova di nuovo il membro più vicino, sulle tabelle standardizzate.

Arrotonda a 2 decimali. Un'altra palestra, con tre membri:

Un'altra palestra rappresentata in una tabella: un nuovo arrivato e tre membri, Kim, Lou e Max, con altezza, apertura delle braccia e sospensione alla sbarra. Accanto, la distanza di ciascun membro dal nuovo arrivato: senza normalizzazione, Kim è il più vicino con 4.56; con normalizzazione, Lou è il più vicino con 1.09

Il suo output:

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

Provalo tu

import numpy as np
from sklearn.preprocessing import StandardScaler

names = ["Iris", "Jon", "Kai", "Lena", "Max", "Nora"]
# Una riga per ogni membro: altezza in cm, apertura delle braccia in cm, durata della sospensione alla sbarra in minuti
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]])
# Il nuovo membro
height = float(input())
span = float(input())
hang = float(input())

# Scrivi il tuo codice qui sotto

Tutte le lezioni di Statistica per il machine learning

1Centro e dispersione

Media e medianaPercentili e quartiliVarianza e deviazione standardCampione o popolazione?Il valore più frequenteRiepilogo: tempi di consegna

4Campioni e popolazioni

Popolazione e campioneLe medie campionarie varianoDistribuzione campionariaCampioni più grandi, meno rumoreRiepilogo: sondare una città

7Linee di tendenza

ResiduiAdattamento dei minimi quadratiTracciare la retta di adattamentoFare previsioni con una rettaQuanto è buono l’adattamento?Riepilogo: ore di pratica

10Codifica delle categorie

Categorie come numeriCodifica one-hotRaggruppamento dei numeri in intervalliRiepilogo: annunci di auto

2Distribuzioni

Istogrammi di densitàForme dei datiCurva normaleRegola 68-95-99,7Punteggi ZRiepilogo: durata della batteria

5Valori anomali

Diagrammi a scatolaLa regola dell'IQRLa regola dello z-scoreGestire i valori anomaliRiepilogo: anomalie dei sensori

8Confrontare gruppi

Diagrammi a scatola per gruppoDifferenza tra le mediePotrebbe essere solo caso?I p-valueIl test tRiepilogo: test A/B

11Esplorare un dataset

Una prima occhiataTutte le feature insiemeFeature a confronto con l'etichettaLe due feature miglioriRiepilogo: dati sul diabete

3Probabilità tramite simulazione

La probabilità come frequenzaLa legge dei grandi numeriSomme dei dadiValore attesoProbabilità condizionataRiepilogo: probabilità al banco dei dadi

6Relazioni

Leggere i grafici a dispersioneCorrelazioneMatrice di correlazioneMappe di calore della correlazioneCorrelazione non significa causalitàRiepilogo: gelato e sole

9Scalatura delle feature

Perché scalare le featureScalatura Min-MaxStandardizzazioneStandardScalerRiepilogo: compagni di scalata

12Sfide finali

Ritardi dei treniQualità dell'ariaChimica del vinoSondaggio in clinica

Esercitati da solo: Compilatore Python online