Şans Eseri Olabilir mi?
Coddy'nin Machine Learning Journey'sinin Makine Öğrenimi için İstatistik bölümünün bir parçası. Ders 43 / 64.
Sans yazı tipini okuyan beş kişi, serifli yazı tipini okuyan beş kişiden 6.6 saniye daha hızlıydı. Yazı tipi hiçbir şeyi değiştirmeseydi, her süre iki gruptan herhangi birinde yer alabilirdi. Bunu canlandırmak için karıştır:
rng.permutation(a) karıştırılmış bir kopya döndürür. Bunu 1000 kez tekrarlayın ve her sahte farkı saklayın:
serif = np.array([52, 47, 58, 50, 55])
sans = np.array([45, 49, 41, 50, 44])
pooled = np.concatenate([serif, sans])
rng = np.random.default_rng(4)
diffs = []
for i in range(1000):
shuffled = rng.permutation(pooled)
diffs.append(shuffled[5:].mean() - shuffled[:5].mean())Şans farkları 0 çevresinde birikir; gerçek olanı kenara yakındır. Bu bir permütasyon testidir.
Bir modelin diğerinden daha iyi olduğuna güvenmeden önce, karıştırmanın nadiren bu kadar büyük bir fark yarattığını kontrol et.
Görev
OrtaKöpekler oturmayı iki yöntemle öğrendi: clicker ve treats, her köpeğin seanslarını tutar. Başlangıç kodu rng ve shuffles oluşturur.
- Gerçek farkı hesapla: treats ortalaması eksi clicker ortalaması.
clickerve ardındantreatsdizilerini birleştir;shuffleskez karıştır,len(clicker)noktasından ayır, her sahte farkı aynı yönde hesapla; başka rastgele seçim yapma.- Gerçek farkı, ilk sahte farkı, en küçüğü ve en büyüğü 2 ondalık basamakla yazdır.
Diğer köpekler için:
Real difference: 3.0
First shuffle: -1.0
Smallest shuffled: -3.33
Largest shuffled: 3.67Kendin dene
import numpy as np
# Her köpeğin "sit" komutunu öğrenmek için ihtiyaç duyduğu eğitim seansları
clicker = np.array([9, 12, 8, 11, 10, 7, 13])
treats = np.array([14, 11, 15, 12, 16, 13])
# Aşağıdaki satırları değiştirmeyin
rng = np.random.default_rng(12)
shuffles = 1000
# 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