Büyük Sayılar Yasası
Coddy'nin Machine Learning Journey'sinin Makine Öğrenimi için İstatistik bölümünün bir parçası. Ders 14 / 64.
Bir parayı 10 kez atınca 8 kez tura gelmesi şaşırtıcı değildir. Atmaya devam ettikçe tura gelme oranı yavaşça 0.5'e yaklaşır:
Her nokta, o ana kadarki oranı gerektirir. np.cumsum, kümülatif toplamı verir; bunu o ana kadarki atış sayısına bölün:
heads = np.array([True, False, True, True])
print(np.cumsum(heads))
print(np.round(np.cumsum(heads) / np.arange(1, 5), 2))Bu, şunu yazdırır:
[1 1 2 3]
[1. 0.5 0.67 0.75]ax.axhline(y) referans çizgisini grafik boyunca yatay olarak çizer:
ax.plot(np.arange(1, 301), share)
ax.axhline(0.5, color="red", linestyle="--")Bu, büyük sayılar yasasıdır: daha fazla deneme, olasılığa daha yakın sonuç demektir. 20 örnekte iyi puan alan bir model şanslı olabilir; 2000 örnekte ise pek olası değildir.
Görev
OrtaBir tahıl markası, kutuların %20'sine oyuncak koyuyor. Program açılan kutu sayısını okur; başlangıç kodu toys dizisini (oyuncak varsa True) doldurur ve grafiği etiketler.
- Oyuncakların birikimli oranını hesapla.
- 10 kutudan sonra ve tüm kutular açıldıktan sonra bu oranı 3 ondalık basamakla yazdır.
- 1'den başlayan kutu numaralarına göre grafiğini çiz, 0.2'de siyah noktalı bir çizgi (
":") ekle ve grafiği göster.
Diğer 80 kutu için:
After 10 boxes: 0.1
After 80 boxes: 0.212ve bu grafiği çizer. Ardından Coddy seninkini açıklar.
Kendin dene
import numpy as np
import matplotlib.pyplot as plt
boxes = int(input())
# Aşağıdaki satırları değiştirmeyin
rng = np.random.default_rng(25)
toys = rng.random(boxes) < 0.2
fig, ax = plt.subplots()
ax.set_title("Toys in Cereal Boxes")
ax.set_xlabel("Boxes opened")
ax.set_ylabel("Share with a toy")
# 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