Formatos dos dados

Parte da seção Estatística para ML do Journey de Machine Learning da Coddy. Lição 8 de 64.

O contorno de um histograma é a forma dos dados, e ele indica em qual resumo confiar:

Três histogramas lado a lado. Assimetria à esquerda: uma cauda longa à esquerda, a linha da média abaixo da linha da mediana. Simétrico: média e mediana juntas no meio. Assimetria à direita: uma cauda longa à direita, média acima da mediana

Uma cauda longa puxa a média em sua direção, enquanto a mediana permanece com a maioria. Segundos que onze visitantes passaram em uma página:

visits = np.array([8, 12, 15, 15, 18, 20, 22, 25, 40, 75, 140])
print(np.round(visits.mean(), 1), np.median(visits))

Isso imprime:

35.5 20.0

Média acima da mediana: assimétrica à direita, uma cauda de valores grandes. Média abaixo: assimétrica à esquerda. Próximas: simétrica.

Assimetria é um alerta antes do treinamento: algumas linhas extremas ficam muito distantes das demais, e a média não descreve quase ninguém.

Desafio

Fácil

Antes de treinar com os registros de 150 jogadores, uma equipe de jogo verifica o formato de cada coluna de players.csv. Para cada coluna, em ordem, imprima seu nome, sua média (1 casa decimal), sua mediana e uma classificação:

assimétrica à direita quando a média for mais de 2 acima da mediana,
assimétrica à esquerda quando for mais de 2 abaixo,
simétrica caso contrário.

Para o registro de outro jogo:

session_minutes: mean 14.3 above median 9.5, right-skewed
quiz_score: mean 83.3 below median 88.0, left-skewed
ping_ms: mean 46.4 close to median 46.0, symmetric

Experimente você mesmo

import numpy as np
import pandas as pd

players = pd.read_csv("players.csv")

# Escreva seu código abaixo

Teste seus conhecimentos

Esta lição inclui um quiz rápido. Comece a lição para respondê-lo e acompanhar seu progresso.

Todas as lições de Estatística para ML

2Distribuições

Histogramas de densidadeFormatos dos dadosA curva normal A regra 68-95-99,7 Escores Z Recapitulando: duração da bateria

5Valores atípicos

Diagramas de caixa A regra do IQR A regra do Z-score Como lidar com valores atípicos Revisão: falhas nos sensores

8Comparando grupos

Gráficos de caixa por grupo Diferença entre médias Pode ser acaso?Valores-p O teste t Revisão: teste A/B

11Explorando um conjunto de dados

Um primeiro olhar Todos os atributos de uma vez Atributos em relação ao rótulo Os dois melhores atributos Revisão: dados de diabetes

Pratique por conta própria: Compilador de Python online