Varianza e deviazione standard
Fa parte della sezione Statistica per il machine learning del percorso Machine Learning di Coddy. Lezione 3 di 64.
.std() è la distanza tipica dalla media. Qui viene calcolata a mano, per cinque espresso:
Ogni scarto dalla media è una deviazione. Si annullano a 0, quindi elevatele al quadrato e poi fate la media: la varianza.
shots = np.array([24, 27, 25, 30, 24])
deviations = shots - shots.mean()
variance = (deviations ** 2).mean()
print(deviations)
print(variance, np.round(np.sqrt(variance), 2))Questo stampa:
[-2. 1. -1. 4. -2.]
5.2 2.28La sua radice quadrata, la deviazione standard, riconverte i secondi quadrati in secondi: 2.28. np.var(a) e np.std(a) fanno ciascuno questo in una sola chiamata.
Una caratteristica con una deviazione standard pari a 0 non cambia mai, quindi non fornisce alcuna informazione a un modello.
Sfida
FacileIl controllo qualità verifica quanto uniformemente una macchina riempie le bottiglie di succo. Il codice iniziale legge sei volumi in ml e stampa ciò che restituisce spread_by_hand(a), accanto a np.std. Completa quella funzione in modo che restituisca:
- la varianza: la media degli scarti quadratici rispetto alla media di
a, - la deviazione standard, la sua radice quadrata.
Per i volumi 1004, 996, 1011, 993, 1002 e 998:
Variance: 34.56 ml squared
Std: 5.88 ml
Same as np.std: TrueProvalo tu
import numpy as np
values = []
for i in range(6):
values.append(int(input()))
volumes = np.array(values)
# Restituisce la varianza e la deviazione standard dell'array a
def spread_by_hand(a):
# Scrivi qui il tuo codice, poi restituisci i due valori al posto di 0, 0
return 0, 0
# Non modificare le righe seguenti
variance, std = spread_by_hand(volumes)
print(f"Variance: {np.round(variance, 2)} ml squared")
print(f"Std: {np.round(std, 2)} ml")
print("Same as np.std:", np.round(std, 2) == np.round(np.std(volumes), 2))
Mettiti alla provaQuesta lezione include un breve quiz. Inizia la lezione per rispondere e tenere traccia dei tuoi progressi.
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 consegna4Campioni e popolazioni
Popolazione e campioneLe medie campionarie varianoDistribuzione campionariaCampioni più grandi, meno rumoreRiepilogo: sondare una città7Linee di tendenza
ResiduiAdattamento dei minimi quadratiTracciare la retta di adattamentoFare previsioni con una rettaQuanto è buono l’adattamento?Riepilogo: ore di pratica10Codifica delle categorie
Categorie come numeriCodifica one-hotRaggruppamento dei numeri in intervalliRiepilogo: annunci di auto2Distribuzioni
Istogrammi di densitàForme dei datiCurva normaleRegola 68-95-99,7Punteggi ZRiepilogo: durata della batteria5Valori anomali
Diagrammi a scatolaLa regola dell'IQRLa regola dello z-scoreGestire i valori anomaliRiepilogo: anomalie dei sensori3Probabilità tramite simulazione
La probabilità come frequenzaLa legge dei grandi numeriSomme dei dadiValore attesoProbabilità condizionataRiepilogo: probabilità al banco dei dadi6Relazioni
Leggere i grafici a dispersioneCorrelazioneMatrice di correlazioneMappe di calore della correlazioneCorrelazione non significa causalitàRiepilogo: gelato e soleEsercitati da solo: Compilatore Python online