Оценка переменной | набор 1

Опубликовано: 25 Июля, 2021

Изменчивость: это измерение импорта, которое измеряет вариацию данных, т.е. являются ли данные распределенными или сильно сгруппированными. Также известна как дисперсия. При работе с наборами данных в машинном обучении или науке о данных она включает в себя много шагов - измерение дисперсии, сокращение, различение случайной изменчивости от реальной. выявление источников реальной изменчивости, принятие решений относительно выбора предварительной обработки или выбора модели на ее основе.

Термины, относящиеся к показателям изменчивости:

-> Отклонение 
-> Дисперсия
-> Стандартное отклонение
-> Среднее абсолютное отклонение
-> Меадианское абсолютное отклонение
-> Статистика заказов
-> Диапазон
-> Процентиль 
-> Межквартильный диапазон

Отклонение: мы также можем назвать это ошибками или остатками. Это мера того, насколько значения отличаются / рассредоточены от центрального / наблюдаемого значения.
Пример :
```
Последовательность: [2, 3, 5, 6, 7, 9] 
Предположим, центральное / наблюдаемое значение = 7

Отклонение = [-5, -4, -2, -1, 0, 2]
```
Дисперсия (s ² ): это наиболее известный показатель для оценки изменчивости, поскольку он представляет собой квадратичное отклонение. Это можно назвать среднеквадратической ошибкой, поскольку это среднее значение стандартного отклонения.

Пример :
```
Последовательность: [2, 3, 5, 6, 7, 9] 
Среднее = 5,33
Всего терминов, n = 6
Квадратное отклонение = (2 - 5,33) ² + (3 - 5,33) ² + (5 - 5,33) ²
                    (6 - 5,33) ² + (7 - 5,33) ² + (9 - 5,33) ²
Дисперсия = Квадратное отклонение / n
```
Код -

# Variance

import numpy as np

Sequence = [ 2 , 3 , 5 , 6 , 7 , 9 ]

var = np.var(Sequence)

print ( "Variance : " , var)
Выход :
```
Отклонение: 5.5555555555555545
```

Стандартное отклонение: это квадратный корень из дисперсии. Также упоминается как Евклидова норма .

Пример :

Последовательность: [2, 3, 5, 6, 7, 9] 
Среднее = 5,33
Всего терминов, n = 6
Квадратное отклонение = (2 - 5,33) ² + (3 - 5,33) ² + (5 - 5,33) ²
                    (6 - 5,33) ² + (7 - 5,33) ² + (9 - 5,33) ²

Дисперсия = Квадратное отклонение / n
Стандартное отклонение = (дисперсия) ^1/2

Код -

 # Standard Deviation
 
import numpy as np
 
Sequence = [ 2 , 3 , 5 , 6 , 7 , 9 ]
 
std = np.std(Sequence)
 
print ( "Standard Deviation : " , std)

Выход :

Стандартное отклонение: 2,357022603955158

Среднее абсолютное отклонение: можно оценить типичную оценку этих отклонений. Если мы усредним значения, отрицательные отклонения компенсируют положительные. Кроме того, сумма отклонений от среднего всегда равна нулю. Итак, это простой подход - взять среднее значение самого отклонения.

Пример :

Последовательность: [2, 4, 6, 8] 
Среднее = 5
Отклонение от среднего значения = [-3, -1, 1, 3]

Среднее абсолютное отклонение = (3 + 1 + 1 + 3) / 4

 # Mean Absolute Deviation
 
import numpy as np
 
def mad(data):
    return np.mean(np.absolute(
            data - np.mean(data)))
     
Sequence = [ 2 , 4 , 6 , 8 ]
 
print ( "Mean Absolute Deviation : " , mad(Sequence)) 

Выход :

Среднее абсолютное отклонение: 2,0

Внимание компьютерщик! Укрепите свои основы с помощью базового курса программирования Python и изучите основы.

Для начала подготовьтесь к собеседованию. Расширьте свои концепции структур данных с помощью курса Python DS. А чтобы начать свое путешествие по машинному обучению, присоединяйтесь к курсу Машинное обучение - базовый уровень.

Python Машинное обучение

Оценка переменной | набор 1

РЕКОМЕНДУЕМЫЕ СТАТЬИ