Menu
CoddyTech
ÖĞRENMEYE BAŞLA
flag Tr iconTürkçedown icon

Koşullu Olasılık

Coddy'nin Machine Learning Journey'sinin Makine Öğrenimi için İstatistik bölümünün bir parçası. Ders 17 / 64.

Bu 10 e-postanın yarısı spam. Ancak bir e-postada bağlantı olduğunu öğrendikten sonra yalnızca bağlantısı olanlar önemlidir:

İki gruptaki hücreler olarak 10 e-posta. Bir çerçeve, 3'ü spam olan bağlantılı 4 e-postayı işaretliyor; bağlantısı olmayan 6 e-postanın 2'si spam

Bu grubun içindeki oran, bir bağlantı verildiğinde spam olma koşullu olasılığıdır: P(spam | link). Her ikisini de sayın, ardından koşula bölün:

emails = pd.DataFrame({
    "link": ["yes", "no", "yes", "no", "no", "no", "yes", "no", "no", "yes"],
    "spam": ["yes", "no", "yes", "no", "no", "yes", "no", "no", "yes", "yes"],
})
spam = emails["spam"] == "yes"
link = emails["link"] == "yes"
print(spam.mean())
print((spam & link).sum() / link.sum())

Bu şunu yazdırır:

0.5
0.75

Zaten bildiğin koşul çizginin altına gelir: ona bölersin. Bir spam filtresi bu şekilde çalışır: bir e-postanın sözcükleri verildiğinde spam olma olasılığı.

challenge icon

Görev

Orta

Bir pazar mornings.csv dosyasına 50 günlük kayıt tuttu: sabah sky durumu (clear, cloudy veya foggy) ve daha sonra yağmur yağdıysa rain değeri yes. Hangi gökyüzü durumu en iyi uyarıyı verir?

  1. skies içindeki her gökyüzü durumu için, o durumdayken yağmur yağma olasılığını yazdır.
  2. Herhangi bir günde yağmur yağma olasılığını yazdır.
  3. En iyi ipucunu, yani olasılığı en yüksek gökyüzü durumunu yazdır.

Daha kısa bir kayıt için, 2 ondalık basamağa yuvarlayarak:

Rain after a clear morning: 0.25
Rain after a cloudy morning: 0.33
Rain after a foggy morning: 0.75
Rain on any day: 0.45
Best clue for rain: foggy

Kendin dene

import pandas as pd

days = pd.read_csv("mornings.csv")
skies = ["clear", "cloudy", "foggy"]

# Kodunuzu aşağıya yazın
quiz iconKendini test et

Bu ders kısa bir quiz içerir. Soruları yanıtlamak ve ilerlemeni kaydetmek için derse başla.

Makine Öğrenimi için İstatistik bölümündeki tüm dersler

1Merkez ve Yayılım

Ortalama ve MedyanYüzdelikler ve ÇeyreklerVaryans ve Standart SapmaÖrneklem mi, Anakütle mi?En Sık Görülen DeğerÖzet: Teslimat Süreleri

4Örneklemler ve Anakütleler

Anakütle ve ÖrneklemÖrneklem Ortalamaları DeğişirÖrnekleme DağılımıDaha Büyük Örneklemler, Daha Az GürültüÖzet: Bir Kasabada Anket Yapmak

7Eğilim Doğruları

ArtıklarEn Küçük Kareler UydurmasıUydurma Doğrusunu ÇizmeBir Doğruyla Tahmin YapmaUydurma Ne Kadar İyi?Tekrar: Alıştırma Saatleri

10Kategorileri Kodlama

Sayılar Olarak KategorilerOne-Hot EncodingSayıları Gruplara AyırmaÖzet: Araba İlanları

2Dağılımlar

Yoğunluk HistogramlarıVeri Dağılımlarının ŞekilleriNormal Eğri68-95-99,7 KuralıZ PuanlarıÖzet: Pil Ömrü

5Aykırı Değerler

Kutu GrafikleriIQR KuralıZ-Skoru KuralıAykırı Değerleri Ele AlmaÖzet: Sensör Hataları

8Grupları Karşılaştırma

Gruplara Göre Kutu GrafikleriOrtalamalar Arasındaki FarkŞans Eseri Olabilir mi?P-Değerlerit-TestiÖzet: A/B Testi

11Bir Veri Kümesini Keşfetmek

İlk BakışTüm Özellikler Bir AradaÖzellikler ve EtiketEn İyi İki ÖzellikÖzet: Diyabet Verileri

3Simülasyonla Olasılık

Frekans Olarak OlasılıkBüyük Sayılar YasasıZarların ToplamıBeklenen DeğerKoşullu OlasılıkTekrar: Zar Tezgâhının Olasılıkları

6İlişkiler

Dağılım Grafiklerini OkumaKorelasyonKorelasyon MatrisiKorelasyon Isı HaritalarıKorelasyon Nedensellik DeğildirÖzet: Dondurma ve Güneş

9Özellik Ölçekleme

Özellikleri Neden ÖlçeklendirmeliyizMin-Max ÖlçeklemeStandartlaştırmaStandardScalerÖzet: Tırmanış Partnerleri

12Son Görevler

Tren GecikmeleriHava KalitesiŞarap KimyasıKlinik Anketi

Kendi başına pratik yap: Online Python derleyicisi