Menu
CoddyTech
ZACZNIJ NAUKĘ
flag Pl iconPolskidown icon

Podsumowanie: ankietowanie mieszkańców

Część sekcji Statystyka w uczeniu maszynowym ścieżki Machine Learning w Coddy. Lekcja 23 z 64.

challenge icon

Wyzwanie

Średni

Czas przeprowadzić ankietę wśród mieszkańców na temat nowego parku. Ankieta podaje odsetek zwolenników z marginesem błędu: 2 razy .std() z ankiety podzielone przez pierwiastek kwadratowy z jej rozmiaru. Czy marginesy obejmują prawdziwą wartość? 25 ankiet w innym mieście:

25 ankiet przedstawionych jako poziome słupki, każdy pokazuje odsetek wraz z marginesem błędu. Linia przerywana oznacza prawdziwe poparcie, 0.52, a linia kropkowana połowę, 0.5. 24 słupki obejmują prawdziwe poparcie; ten, który go nie obejmuje, ankieta 5, jest pomarańczowy i oznaczony jako ankieta 5 nie obejmuje

voters zawiera 1 dla każdego zwolennika, 0 dla pozostałych; program odczytuje rozmiar ankiety.

  1. Wypisz prawdziwe poparcie.
  2. Przeprowadź 400 ankiet wśród różnych wyborców; wypisz odsetek i margines błędu pierwszej ankiety.
  3. Wypisz, ile marginesów obejmuje prawdziwą wartość oraz ile ankiet pokazuje 0.5 lub mniej.

Odsetki i marginesy zaokrąglij do 3 miejsc po przecinku. Dla tego innego miasta i 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

Spróbuj swoich sił

import numpy as np

size = int(input())

# Nie zmieniaj poniższych linii: 1 dla każdego wyborcy popierającego park, 0 dla pozostałych
voters = np.concatenate([np.ones(10800), np.zeros(9200)])
rng = np.random.default_rng(23)

# Napisz swój kod poniżej

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 dostaw

4Próby i populacje

Populacja i próbaŚrednie z prób się różniąRozkład próbkowaniaWiększe próby, mniej szumuPodsumowanie: ankietowanie mieszkańców

7Linie trendu

ResztyDopasowanie metodą najmniejszych kwadratówRysowanie dopasowanej prostejPrzewidywanie za pomocą prostejJak dobre jest dopasowanie?Podsumowanie: godziny ćwiczeń

10Kodowanie kategorii

Kategorie jako liczbyKodowanie one-hotGrupowanie liczb w przedziałyPowtórzenie: ogłoszenia motoryzacyjne

2Rozkłady

Histogramy gęstościKształty danychKrzywa normalnaReguła 68-95-99,7Wyniki standaryzowane (Z-scores)Podsumowanie: czas pracy baterii

5Obserwacje odstające

Wykresy pudełkoweReguła IQRReguła Z-scorePostępowanie z obserwacjami odstającymiPodsumowanie: błędy czujników

8Porównywanie grup

Wykresy pudełkowe według grupRóżnica średnichCzy to może być przypadek?Wartości pTest tPodsumowanie: test A/B

11Eksploracja zbioru danych

Pierwsze spojrzenieWszystkie cechy narazCechy a etykietaDwie najlepsze cechyPodsumowanie: dane dotyczące cukrzycy

3Prawdopodobieństwo przez symulację

Prawdopodobieństwo jako częstośćPrawo wielkich liczbSumy oczekWartość oczekiwanaPrawdopodobieństwo warunkowePodsumowanie: szanse na stoisku z kośćmi

6Relacje

Odczytywanie wykresów punktowychKorelacjaMacierz korelacjiMapy cieplne korelacjiKorelacja nie oznacza przyczynowościPodsumowanie: lody i słońce

9Skalowanie cech

Dlaczego skalować cechySkalowanie min–maxStandaryzacjaStandardScalerPodsumowanie: partnerzy we wspinaczce

12Wyzwania końcowe

Opóźnienia pociągówJakość powietrzaChemia winaAnkieta w przychodni

Poćwicz samodzielnie: Kompilator Python online