Sensibilità agli outlier

Quando analizzi la relazione tra più variabili, la correlazione è un ottimo punto di partenza. Ma come se la cava con insiemi di dati più interessanti? Quanto è robusta rispetto agli outlier?

In questo esercizio, tracerai e calcolerai la correlazione per un insieme di dati che contiene un outlier, poi lo rimuoverai per vedere cosa cambia. Alla fine, l’obiettivo è capire come si comporta la correlazione e arrivare a una conclusione su quando e dove dovresti usarla.

Un insieme di dati di esempio tratto dal famoso Anscombe's quartet è stato importato per te nella variabile df, insieme a tutti i pacchetti usati in questo capitolo.

Questo esercizio fa parte del corso

Esercitarsi con le domande di statistica per i colloqui in Python

Visualizza il corso

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Display the scatter plot of X and Y
plt.scatter(____, ____)
plt.show()

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Esercitarsi con le domande di statistica per i colloqui in Python

AvançadoNível de habilidade

4.7+

Inizia il corso gratis

This chapter kicks the course off by reviewing conditional probabilities, Bayes' theorem, and central limit theorem. Along the way, you will learn how to handle questions that work with commonly referenced probability distributions.

Exercise 1: Conditional probabilities Exercise 2: Setting up problems Exercise 3: Bayes' theorem applied Exercise 4: Central limit theorem Exercise 5: Samples from a rolled die Exercise 6: Simulating central limit theorem Exercise 7: Probability distributions Exercise 8: Bernoulli distribution Exercise 9: Binomial distribution Exercise 10: Normal distribution

In this chapter, you will prepare for statistical concepts related to exploratory data analysis. The topics include descriptive statistics, dealing with categorical variables, and relationships between variables. The exercises will prepare you for an analytical assessment or stats-based coding question.

Exercise 1: Statistiche descrittive Exercise 2: Media o mediana Exercise 3: Deviazione standard a mano Exercise 4: Dati categorici Exercise 5: Tecniche di codifica Exercise 6: Esplorare i prezzi dei laptop Exercise 7: Due o più variabili Exercise 8: Tipi di relazioni Exercise 9: Correlazione di Pearson Exercise 10: Sensibilità agli outlier

Esercizio in corso

Prepare to dive deeper into crucial concepts regarding experiments and testing by reviewing confidence intervals, hypothesis testing, multiple tests, and the role that power and sample size play. We'll also discuss types of errors, and what they mean in practice.

Exercise 1: Confidence intervals Exercise 2: Confidence interval by hand Exercise 3: Applying confidence intervals Exercise 4: Hypothesis testing Exercise 5: One tailed z-test Exercise 6: Two tailed t-test Exercise 7: Power and sample size Exercise 8: Effect on type II error Exercise 9: Calculating sample size Exercise 10: Visualizing the relationship Exercise 11: Multiple testing Exercise 12: Calculating error rates Exercise 13: Bonferroni correction

Wrapping up, we'll address concepts related closely to regression and classification models. The chapter begins by reviewing fundamental machine learning algorithms and quickly ramps up to model evaluation, dealing with special cases, and the bias-variance tradeoff.

Exercise 1: Regression models Exercise 2: Linear regression Exercise 3: Logistic regression Exercise 4: Evaluating models Exercise 5: Regression evaluation Exercise 6: Classification evaluation Exercise 7: Missing data and outliers Exercise 8: Handling null values Exercise 9: Identifying outliers Exercise 10: Bias-variance tradeoff Exercise 11: Test and training error Exercise 12: Visualizing the tradeoff Exercise 13: Wrapping up