Wyniki standaryzowane (Z-scores)
Część sekcji Statystyka w uczeniu maszynowym ścieżki Machine Learning w Coddy. Lekcja 11 z 64.
Uczeń uzyskał 78 punktów z chemii i 85 z historii. Który wynik jest lepszy? Zmierz każdy wynik w jednostkach odchylenia standardowego dla danej klasy:
Ta odległość to wynik z, z = (x - mean) / std. Chemia: (78 - 70) / 4 to 2.0. Historia: (85 - 80) / 10 to 0.5. Wygrywa 78.
Dla całej tablicy ujemne z oznacza wartość poniżej średniej:
temps = np.array([12, 15, 9, 18, 16])
print(np.round((temps - temps.mean()) / temps.std(), 2))To wyświetla:
[-0.63 0.32 -1.58 1.26 0.63]Wyniki z mają jedną skalę, średnią 0 i odchylenie standardowe 1, niezależnie od jednostki. Dzięki temu wiek i dochód mają w modelu taką samą wagę, niezależnie od tego, jak duże są ich wartości.
Wyzwanie
ŁatwyWyniki w grach logicznych i wyścigowych w salonie gier są mierzone na bardzo różnych skalach. puzzle i racing zawierają wyniki 12 stałych graczy w każdej z gier. Nowy gracz zagrał w obie: program wczytuje jego wynik w grze logicznej, a następnie wynik w grze wyścigowej.
- Wypisz wynik z-score dla każdego wyniku względem jego gry, zaokrąglony do 2 miejsc po przecinku (użyj
.std()). - Wypisz, który wynik jest bardziej imponujący.
Dla danych wejściowych 790 i 16900:
Puzzle z: 1.45
Racing z: 2.0
More impressive: RacingSpróbuj swoich sił
import numpy as np
puzzle = np.array([640, 720, 580, 810, 690, 750, 600, 700, 660, 730, 620, 780])
racing = np.array([12400, 15800, 13900, 11200, 16500, 14100,
12800, 15100, 13300, 14700, 12100, 14600])
p = int(input())
r = int(input())
# 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