Histogramy gęstości
Część sekcji Statystyka w uczeniu maszynowym ścieżki Machine Learning w Coddy. Lekcja 7 z 64.
Ten rozdział dotyczy kształtu danych. Po jego ukończeniu dopasujesz krzywą dzwonową do histogramu i wskażesz element odstający:
Najpierw poprawka. Liczebności sprawiają, że duża grupa przyćmiewa małą, tak jak czasy reakcji 500 dorosłych przyćmiewają czasy 50 graczy:
density=True skaluje każdą grupę tak, aby pola jej słupków sumowały się do 1:
ax.hist(adults, bins=16, density=True, alpha=0.5, label="adults")
ax.hist(gamers, bins=16, density=True, alpha=0.5, label="gamers")Każda wysokość wynosi count / (n * bin width), więc pole słupka odpowiada jego udziałowi w grupie. Grupy dowolnej wielkości można teraz uczciwie porównywać.
Wyzwanie
ŁatwySzpital miejski zważył 400 noworodków, a wiejski — 60. W kodzie startowym wagi są przechowywane w zmiennych city i rural, a wykres z tytułem i etykietami jest już przygotowany.
- Narysuj histogram gęstości dla każdej grupy, używając
bins=10,alpha=0.5oraz etykietycitylubrural. - Dodaj legendę i wyświetl wykres.
Coddy opisuje Twój wykres. Powinien wyglądać tak jak ten, przedstawiający dwóch hodowców pomidorów:
Spróbuj swoich sił
import numpy as np
import matplotlib.pyplot as plt
# Nie zmieniaj poniższych wierszy
rng = np.random.default_rng(23)
city = np.round(rng.normal(3.4, 0.5, size=400), 2)
rural = np.round(rng.normal(3.2, 0.45, size=60), 2)
fig, ax = plt.subplots()
ax.set_title("Birth Weights")
ax.set_xlabel("Weight (kg)")
ax.set_ylabel("Density")
# Napisz swój kod poniżej
Sprawdź sięTa lekcja zawiera krótki quiz. Zacznij lekcję, żeby na niego odpowiedzieć i śledzić swoje postępy.
Wszystkie lekcje w sekcji Statystyka w uczeniu maszynowym
1Położenie i rozproszenie
Średnia i medianaPercentyle i kwartyleWariancja i odchylenie standardowePróba czy populacja?Najczęściej występująca wartośćPodsumowanie: czasy dostaw4Próby i populacje
Populacja i próbaŚrednie z prób się różniąRozkład próbkowaniaWiększe próby, mniej szumuPodsumowanie: ankietowanie mieszkańców2Rozkłady
Histogramy gęstościKształty danychKrzywa normalnaReguła 68-95-99,7Wyniki standaryzowane (Z-scores)Podsumowanie: czas pracy baterii5Obserwacje odstające
Wykresy pudełkoweReguła IQRReguła Z-scorePostępowanie z obserwacjami odstającymiPodsumowanie: błędy czujników3Prawdopodobieństwo przez symulację
Prawdopodobieństwo jako częstośćPrawo wielkich liczbSumy oczekWartość oczekiwanaPrawdopodobieństwo warunkowePodsumowanie: szanse na stoisku z kośćmi6Relacje
Odczytywanie wykresów punktowychKorelacjaMacierz korelacjiMapy cieplne korelacjiKorelacja nie oznacza przyczynowościPodsumowanie: lody i słońcePoćwicz samodzielnie: Kompilator Python online