Menu
CoddyTech
INIZIA A IMPARARE
flag It iconItalianodown icon

Riepilogo: ore di pratica

Fa parte della sezione Statistica per il machine learning del percorso Machine Learning di Coddy. Lezione 40 di 64.

challenge icon

Sfida

Medio

Quante ore di pratica settimanale servono per raggiungere un determinato punteggio? Il file practice.csv di una scuola di lingue contiene le hours e lo score di 20 studenti; il programma legge target.

  1. Calcola la retta che predice score a partire da hours; stampa la percentuale che spiega (1 decimale).
  2. Stampa le ore necessarie secondo la retta per raggiungere target (2 decimali).
  3. Se le ore sono al di fuori dei dati, stampa un avviso.
  4. Traccia i punti Learners, la Fit in funzione delle loro ore e il punto Needed, con una legenda, gli assi Hours practiced e Score e il titolo riportato sotto.

Per un'altra scuola e un punteggio di 95:

The line explains 98.6% of the scores
Hours for a score of 95: 9.27
Warning: outside the data, which runs from 0.5 to 8.0 hours

Coddy descrive poi il grafico, che si presenta così:

Un grafico intitolato Practice for a Score of 95: dodici studenti rappresentati da punti che salgono da 45 a 88 punti tra 0.5 e 8 ore, una retta adattata che li attraversa e un punto Needed arancione a 9.27 ore e 95 punti, oltre l'ultimo studente

Provalo tu

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

practice = pd.read_csv("practice.csv")
target = int(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