Revisão: Parceiros de escalada
Parte da seção Estatística para ML do Journey de Machine Learning da Coddy. Lição 51 de 64.
Desafio
MédioUma academia de escalada combina cada novato com o membro mais parecido. Cada linha de members representa um membro, identificado em names: altura (cm), envergadura (cm) e tempo pendurado na barra (minutos). O programa lê as medidas do novato.
- Encontre o membro mais próximo na tabela original.
- Padronize com um
StandardScalerajustado aos membros; imprima os valores padronizados do novato. - Encontre novamente o membro mais próximo, nas tabelas padronizadas.
Arredonde para 2 casas decimais. Outra academia, com três membros:
Sua saída:
Nearest before scaling: Kim (4.56)
Newcomer scaled: [[-0.38 -0.54 0.98]]
Nearest after scaling: Lou (1.09)Experimente você mesmo
import numpy as np
from sklearn.preprocessing import StandardScaler
names = ["Iris", "Jon", "Kai", "Lena", "Max", "Nora"]
# Uma linha por integrante: altura em cm, envergadura em cm, tempo de suspensão na barra em minutos
members = np.array([[166, 169, 1.6],
[182, 188, 1.1],
[171, 170, 2.3],
[176, 181, 1.4],
[188, 191, 2.0],
[160, 163, 0.9]])
# O novo integrante
height = float(input())
span = float(input())
hang = float(input())
# Escreva seu código abaixo
Todas as lições de Estatística para ML
1Centro e dispersão
Média e medianaPercentis e quartisVariância e desvio padrãoAmostra ou população?O valor mais frequenteRevisão: tempos de entrega4Amostras e Populações
População e AmostraAs médias amostrais variamA distribuição amostralAmostras maiores, menos ruídoRevisão: pesquisa de opinião em uma cidade7Linhas de tendência
ResíduosAjuste por mínimos quadradosTraçando o ajusteFazendo previsões com uma linhaQuão bom é o ajuste?Revisão: horas de prática10Codificação de Categorias
Categorias como NúmerosCodificação One-HotAgrupamento de Números em FaixasRecapitulação: Anúncios de Carros2Distribuições
Histogramas de densidadeFormatos dos dadosA curva normalA regra 68-95-99,7Escores ZRecapitulando: duração da bateria5Valores atípicos
Diagramas de caixaA regra do IQRA regra do Z-scoreComo lidar com valores atípicosRevisão: falhas nos sensores8Comparando grupos
Gráficos de caixa por grupoDiferença entre médiasPode ser acaso?Valores-pO teste tRevisão: teste A/B11Explorando um conjunto de dados
Um primeiro olharTodos os atributos de uma vezAtributos em relação ao rótuloOs dois melhores atributosRevisão: dados de diabetes3Probabilidade por Simulação
Probabilidade como frequênciaA Lei dos Grandes NúmerosSomas de dadosValor esperadoProbabilidade condicionalRevisão: chances na barraca de dados6Relações
Lendo gráficos de dispersãoCorrelaçãoMatriz de correlaçãoMapas de calor de correlaçãoCorrelação não é causalidadeRevisão: sorvete e sol9Escalonamento de Recursos
Por que escalar os recursosEscalonamento Min-MaxPadronizaçãoStandardScalerRevisão: Parceiros de escaladaPratique por conta própria: Compilador de Python online