İlişkiyi görselleştirme

Belirli hatalara etkisini incelediğimize ve farklı güç değerleri için gerekli örneklem büyüklüğünü hesapladığımıza göre, şimdi bir adım geri çekilip kullanışlı bir grafikle güç ile örneklem büyüklüğü arasındaki ilişkiye bakalım.

Bu egzersizde vites değiştirip z-test yerine t-test inceleyeceğiz. Bunu görselleştirmek için, x ekseninde örneklem büyüklüğü, y ekseninde güç ve farklı minimum etki büyüklüklerini temsil eden farklı çizgiler olacak şekilde plot_power() fonksiyonunu kullan.

Bu egzersiz

Python ile İstatistik Mülakat Soruları Pratiği

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Bir TTestIndPower() nesnesini results değişkenine ata.
Uygun parametre değerleriyle plot_power() fonksiyonunu kullanarak güç ile örneklem büyüklüğü arasındaki ilişkiyi görselleştir; ne fark ediyorsun?

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

sample_sizes = np.array(range(5, 100))
effect_sizes = np.array([0.2, 0.5, 0.8])

# Create results object for t-test analysis
from statsmodels.stats.power import TTestIndPower
results = ____

# Plot the power analysis
results.plot_power(dep_var='nobs', nobs=____, effect_size=____)
plt.show()

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python ile İstatistik Mülakat Soruları Pratiği

kursunun bir parçasıdır

AvançadoNível de habilidade

4.7+

Kursa Ücretsiz Başlayın

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: Descriptive statistics Exercise 2: Mean or median Exercise 3: Standard deviation by hand Exercise 4: Categorical data Exercise 5: Encoding techniques Exercise 6: Exploring laptop prices Exercise 7: Two or more variables Exercise 8: Types of relationships Exercise 9: Pearson correlation Exercise 10: Sensitivity to outliers

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: Güven aralıkları Exercise 2: El ile güven aralığı Exercise 3: Güven aralıklarını uygulama Exercise 4: Hipotez testi Exercise 5: Tek kuyruklu z-testi Exercise 6: İki kuyruklu t-testi Exercise 7: Güç ve örneklem büyüklüğü Exercise 8: Tip II hataya etki Exercise 9: Örneklem büyüklüğünü hesaplama Exercise 10: İlişkiyi görselleştirme

Geçerli Egzersiz

Exercise 11: Çoklu test Exercise 12: Hata oranlarını hesaplama Exercise 13: Bonferroni düzeltmesi

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