Corrélation de Pearson

Vous savez reconnaître différents types de relations à partir de nuages de points. Passons maintenant à quelque chose de plus concret et examinons une relation en détail. Nous allons conserver la même version du jeu de données weather que nous venons d’utiliser.

Vous allez analyser un pair plot seaborn de quelques variables, puis approfondir l’analyse pour aboutir à une conclusion sur la corrélation. Ce processus devrait devenir naturel pour vous.

Cet exercice fait partie du cours

S’entraîner aux questions d’entretien en statistiques avec Python

Afficher le cours

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Generate the pair plot for the weather dataset
sns.pairplot(____)
plt.show()

Modifier et exécuter le code

Cet exercice fait partie du cours

S’entraîner aux questions d’entretien en statistiques avec Python

AvancéNiveau de compétence

4.7+

59 reviews

Commencer le cours gratuitement

Ce chapitre lance le cours en rappelant les probabilités conditionnelles, le théorème de Bayes et le théorème central limite. Au passage, vous apprendrez à traiter des questions s’appuyant sur des lois de probabilité fréquemment utilisées.

Exercise 1: Probabilités conditionnelles Exercise 2: Bien poser les problèmes Exercise 3: Application du théorème de Bayes Exercise 4: Théorème central limite Exercise 5: Échantillons d’un lancer de dé Exercise 6: Simuler le théorème central limite Exercise 7: Lois de probabilité Exercise 8: Loi de Bernoulli Exercise 9: Loi binomiale Exercise 10: Loi normale

Dans ce chapitre, vous vous préparerez aux notions statistiques liées à l’analyse exploratoire des données. Les thèmes abordés incluent les statistiques descriptives, la gestion des variables catégorielles et l’étude des relations entre variables. Les exercices vous prépareront à une évaluation analytique ou à une question de code centrée sur les stats.

Exercise 1: Statistiques descriptives Exercise 2: Moyenne ou médiane Exercise 3: Écart type à la main Exercise 4: Données catégorielles Exercise 5: Techniques d’encodage Exercise 6: Explorer les prix des ordinateurs portables Exercise 7: Deux variables ou plus Exercise 8: Types de relations Exercise 9: Corrélation de Pearson

Exercice en cours

Exercise 10: Sensibilité aux valeurs aberrantes

Préparez-vous à approfondir des notions essentielles sur les expérimentations et les tests en révisant les intervalles de confiance, les tests d’hypothèses, les tests multiples, ainsi que le rôle de la puissance statistique et de la taille d’échantillon. Nous aborderons aussi les types d’erreurs et leur interprétation en pratique.

Exercise 1: Intervalles de confiance Exercise 2: Calculer un intervalle de confiance à la main Exercise 3: Appliquer les intervalles de confiance Exercise 4: Tests d’hypothèses Exercise 5: Test z unilatéral Exercise 6: Test t bilatéral Exercise 7: Puissance statistique et taille d’échantillon Exercise 8: Effet sur l’erreur de type II Exercise 9: Calculer la taille d’échantillon Exercise 10: Visualiser la relation Exercise 11: Tests multiples Exercise 12: Calculer les taux d’erreur Exercise 13: Correction de Bonferroni

Pour conclure, nous traiterons des concepts étroitement liés aux modèles de régression et de classification. Le chapitre commence par un rappel des algorithmes fondamentaux de Machine Learning, puis enchaîne rapidement sur l’évaluation des modèles, la gestion de cas particuliers et le compromis biais-variance.

Exercise 1: Modèles de régression Exercise 2: Régression linéaire Exercise 3: Régression logistique Exercise 4: Évaluer les modèles Exercise 5: Évaluation de la régression Exercise 6: Évaluation en classification Exercise 7: Données manquantes et valeurs aberrantes Exercise 8: Gérer les valeurs nulles Exercise 9: Identifier les valeurs aberrantes Exercise 10: Compromis biais-variance Exercise 11: Erreur de test et d’entraînement Exercise 12: Visualiser le compromis Exercise 13: Pour conclure