Menu
CoddyTech
INIZIA A IMPARARE
flag It iconItalianodown icon

Riepilogo: sondare una città

Fa parte della sezione Statistica per il machine learning del percorso Machine Learning di Coddy. Lezione 23 di 64.

challenge icon

Sfida

Medio

È il momento di chiedere agli abitanti della città cosa pensano di un nuovo parco. Un sondaggio riporta la quota di sostenitori, più o meno un margine: 2 volte il .std() del sondaggio diviso per la radice quadrata della sua dimensione. I margini includono la verità? 25 sondaggi di un'altra città:

25 sondaggi come barre orizzontali, ciascuna una quota con il relativo margine. Una linea tratteggiata indica il sostegno reale, 0.52, e una linea punteggiata il valore di metà, 0.5. 24 barre attraversano il sostegno reale; quella che non lo fa, il sondaggio 5, è arancione ed è etichettata sondaggio 5 non lo include

voters contiene 1 per ogni sostenitore e 0 per tutti gli altri; il programma legge la dimensione del sondaggio.

  1. Stampa il sostegno reale.
  2. Esegui 400 sondaggi con elettori diversi; stampa la quota e il margine del primo.
  3. Stampa quanti margini includono il sostegno reale e quanti sondaggi mostrano 0.5 o meno.

Quote e margini con 3 decimali. Per quell'altra città e 200:

True support: 0.52
First poll: 0.525, give or take 0.071
Margins that caught the truth: 384 of 400
Polls calling it wrong: 127

Provalo tu

import numpy as np

size = int(input())

# Non modificare le righe seguenti: 1 per ogni elettore favorevole al parco, 0 per gli altri
voters = np.concatenate([np.ones(10800), np.zeros(9200)])
rng = np.random.default_rng(23)

# 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