Tren Gecikmeleri

Coddy'nin Machine Learning Journey'sinin Makine Öğrenimi için İstatistik bölümünün bir parçası. Ders 61 / 64.

İki banliyö hattı, Maple ve Birch, bir istasyonu paylaşır. 24 gün boyunca her hattın yoğun saat treninin ne kadar geciktiğini trains.csv dosyasına kaydetti:

İki hattın gecikmelerini gösteren kutu grafikleri: Maple'ın kutusu yaklaşık 15 dakika civarında duruyor; 91'deki bir nokta sinyal arızası olarak işaretlenmiş ve 4'te düşük bir nokta var. Birch'in kutusu daha aşağıda, yaklaşık 11 civarında; 63 ve 74'teki noktalar sinyal arızaları olarak işaretlenmiş

Üç sinyal arızası trenleri bir saat veya daha uzun süre bekletti: gerçek, ama herhangi bir ortalamayı altüst edecek kadar büyük.

Yönetici soruyor: Maple gerçekten daha mı geç, yoksa aradaki fark tesadüf olabilir mi? Aşırı değerlerin etkisini azaltın, sonra kararı karıştırmaya bırakın.

Görev

Zor

Program sınır faktörü k'yı okur; 1.5, kutu grafiğinin kuralıdır.

Tüm gecikmeleri Q1 - k * IQR ve Q3 + k * IQR sınırlarına göre belirle, aykırı değerleri say, ardından her gecikmeyi np.clip ile sınırla.
Her hattın sınırlandırılmış gecikme ortalamasını ve Maple eksi Birch farkını yazdır.
2000 kez karıştır: önce Maple'ın, sonra Birch'in sınırlandırılmış gecikmelerini havuzla; her turda bir rng.permutation kullan ve ilk 24 değeri sahte Maple olarak al.
İşaret dikkate alınmadan p değerini ve sonucu yazdır: 0.05'in altındaysa unlikely to be chance, değilse could be chance.

Ortalamaları 2, p değerini 3 ondalık basamağa yuvarla. k = 2 için:

Fences: 0.25 to 26.5 (3 outliers)
Maple mean: 15.27
Birch mean: 12.21
Difference: 3.06
p-value: 0.03
Verdict: unlikely to be chance

Sonuç, daha katı veya daha gevşek bir k için de geçerli mi?

Kendin dene

import numpy as np
import pandas as pd

k = float(input())
df = pd.read_csv("trains.csv")
delays = df["delay_min"]

# Aşağıdaki satırı değiştirmeyin
rng = np.random.default_rng(5)

# Kodunuzu aşağıya yazın