Korelasyon Nedensellik Değildir
Coddy'nin Machine Learning Journey'sinin Makine Öğrenimi için İstatistik bölümünün bir parçası. Ders 33 / 64.
r yalnızca düz çizgileri görür. Burada y, x tarafından tamamen belirlenir, ancak r 0'dır:
Düşen yarı, yükselen yarıyı götürür. 0'a yakın bir r, doğrusal bir ilişki olmadığı anlamına gelir; ilişki olmadığı değil: bir özelliği çıkarmadan önce grafiği çiz.
Ve tek bir uzak nokta güçlü bir r varmış gibi gösterebilir; bu yüzden önce aykırı değerleri kontrol et:
Son olarak, r hiçbir zaman bir nedeni kanıtlamaz. Daha büyük çocukların ayakkabıları daha büyüktür ve daha iyi okurlar: her ikisini de belirleyen, gizli bir üçüncü değişken olan yaştır.
Görev
OrtaBir çay dükkânı fincanlarını test ediyor: 9 fincan için steep ve taste (demleme dakikası, puan), diğer 10 fincan için sugar ve score (şeker küpü, puan). Program, fazladan bir fincanın şeker miktarını, ardından puanını okur.
- Demleme süresi ve tadın
rdeğerini yazdırın. - Şeker ve puanın
rdeğerini, ardından fazladan fincan eklenmiş hâlini yazdırın.
Aşağıda gösterildiği gibi 2 ondalık basamağa yuvarlayın ve etiketleyin. Başka bir dükkân ve fazladan fincan için 10, 2.0:
Steeping r: -0.05
Sugar r: -0.23
Sugar r with the extra cup: -0.88Kendin dene
import numpy as np
# 9 fincanın dakika cinsinden demleme süresi ve lezzet puanı
steep = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
taste = np.array([3.1, 5.0, 6.6, 7.7, 8.1, 7.6, 6.5, 5.1, 3.4])
# Diğer 10 fincandaki küp şeker sayısı ve lezzet puanı
sugar = np.array([0, 2, 1, 3, 0, 2, 1, 3, 2, 1])
score = np.array([6.5, 5.8, 7.4, 6.1, 5.9, 7.0, 6.2, 6.8, 6.4, 5.7])
# Ek fincan
extra_sugar = float(input())
extra_score = float(input())
# Kodunuzu aşağıya yazın
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 Süreleri4Örneklemler ve Anakütleler
Anakütle ve ÖrneklemÖrneklem Ortalamaları DeğişirÖrnekleme DağılımıDaha Büyük Örneklemler, Daha Az GürültüÖzet: Bir Kasabada Anket Yapmak7Eğilim Doğruları
ArtıklarEn Küçük Kareler UydurmasıUydurma Doğrusunu ÇizmeBir Doğruyla Tahmin YapmaUydurma Ne Kadar İyi?Tekrar: Alıştırma Saatleri10Kategorileri Kodlama
Sayılar Olarak KategorilerOne-Hot EncodingSayıları Gruplara AyırmaÖzet: Araba İlanları2Dağılımlar
Yoğunluk HistogramlarıVeri Dağılımlarının ŞekilleriNormal Eğri68-95-99,7 KuralıZ PuanlarıÖzet: Pil Ömrü5Aykırı Değerler
Kutu GrafikleriIQR KuralıZ-Skoru KuralıAykırı Değerleri Ele AlmaÖzet: Sensör Hataları8Grupları Karşılaştırma
Gruplara Göre Kutu GrafikleriOrtalamalar Arasındaki FarkŞans Eseri Olabilir mi?P-Değerlerit-TestiÖzet: A/B Testi11Bir Veri Kümesini Keşfetmek
İlk BakışTüm Özellikler Bir AradaÖzellikler ve EtiketEn İyi İki ÖzellikÖzet: Diyabet Verileri3Simülasyonla Olasılık
Frekans Olarak OlasılıkBüyük Sayılar YasasıZarların ToplamıBeklenen DeğerKoşullu OlasılıkTekrar: Zar Tezgâhının Olasılıkları6İlişkiler
Dağılım Grafiklerini OkumaKorelasyonKorelasyon MatrisiKorelasyon Isı HaritalarıKorelasyon Nedensellik DeğildirÖzet: Dondurma ve GüneşKendi başına pratik yap: Online Python derleyicisi