بتل کد Battle Codeدارد باز می‌شود…

جلسه‌ی 19: آمار که مدل می‌سازد Statistics that Build Models

میانگین، میانه و پراکندگی سه عددی هستند که یک ستون کامل را خلاصه می‌کنند؛ مدل‌های یادگیری ماشین از همین خلاصه‌ها ساخته می‌شوند. با turtle هم نمودار میله‌ای می‌کشیم.

در این جلسه یاد می‌گیری

درس

یک ستون ۳۰ عددی را نمی‌شود یک‌جا در ذهن نگه داشت. برای همین آن را با چند عدد خلاصه می‌کنیم. اولین خلاصه را می‌شناسی: میانگین، یعنی جمع تقسیم بر تعداد. هر مدلی که در این دوره ساختیم، پشت پرده همین‌طور داده را خلاصه می‌کند.

scores = [14, 17, 18, 12, 19, 15]
mean = sum(scores) / len(scores)
print(mean)      # 15.833...
print(round(mean, 1))   # 15.8

میانگین یک نقطه‌ضعف دارد: یک عدد پرت آن را می‌کشد. اگر نمره‌های ۱۴، ۱۵، ۱۶ باشند میانگین ۱۵ است؛ اما اگر یک نفر به اشتباه ۱۵۰ ثبت شود، میانگین می‌شود ۴۸! میانه این مشکل را ندارد: عددها را مرتب کن و عدد وسط را بردار. اگر تعداد زوج بود، میانگین دو عدد وسط.

def median(values):
    s = sorted(values)
    n = len(s)
    if n % 2 == 1:
        return s[n // 2]
    return (s[n // 2 - 1] + s[n // 2]) / 2

print(median([14, 15, 16]))        # 15
print(median([14, 15, 150]))       # 15  (not fooled!)
print(median([12, 14, 15, 17]))    # 14.5

خلاصه‌ی دوم: پراکندگی. دو کلاس می‌توانند میانگین یکسان ۱۵ داشته باشند، ولی در یکی همه بین ۱۴ و ۱۶ باشند و در دیگری از ۵ تا ۲۰. ساده‌ترین اندازه‌ی پراکندگی دامنه است: بیشترین منهای کمترین.

a = [14, 15, 16, 15, 15]
b = [5, 20, 15, 10, 25]
print(sum(a) / len(a), sum(b) / len(b))   # 15.0 15.0
print(max(a) - min(a))   # 2
print(max(b) - min(b))   # 20

اندازه‌ی بهتر: انحراف میانگین، یعنی به طور متوسط هر عدد چقدر از میانگین دور است. فاصله‌ی هر عدد تا میانگین را با abs مثبت کن، جمع بزن و تقسیم بر تعداد کن. در آمار واقعی از نسخه‌ی مربعی‌اش، «انحراف معیار»، استفاده می‌شود؛ ایده همین است.

def mean_deviation(values):
    m = sum(values) / len(values)
    total = 0
    for v in values:
        total = total + abs(v - m)
    return total / len(values)

print(mean_deviation([14, 15, 16, 15, 15]))   # 0.4
print(mean_deviation([5, 20, 15, 10, 25]))    # 6.0

پایتون ماژول statistics دارد که همه‌ی این‌ها را آماده دارد: mean، median، stdev (انحراف معیار). حالا که خودت نوشتی و می‌فهمی داخلش چیست، می‌توانی از آماده‌ها استفاده کنی.

import statistics

scores = [14, 17, 18, 12, 19, 15]
print(statistics.mean(scores))     # 15.833333333333334
print(statistics.median(scores))   # 16.0
print(round(statistics.stdev(scores), 2))   # 2.64

عدد تنها حس خوبی نمی‌دهد؛ نمودار می‌دهد! با turtle یک نمودار میله‌ای می‌کشیم: برای هر عدد یک مستطیل که ارتفاعش همان عدد (ضرب در یک مقیاس) است. تابع bar(x, height) یک میله می‌کشد و حلقه آن را برای همه‌ی عددها صدا می‌زند.

import turtle

t = turtle.Turtle()
t.speed(0)

def bar(x, height):
    t.penup()
    t.goto(x, -100)
    t.pendown()
    t.begin_fill()
    for side in [height, 30, height, 30]:
        t.forward(side)
        t.left(90)
    t.end_fill()

scores = [14, 17, 18, 12, 19, 15]
x = -150
for s in scores:
    t.setheading(90)
    bar(x, s * 10)
    x = x + 50

اشتباه رایج: میانه را بدون مرتب کردن برداشتن؛ عدد وسطِ لیستِ نامرتب هیچ معنایی ندارد. اشتباه دوم: در پراکندگی، v - m را بدون abs جمع زدن؛ مثبت و منفی‌ها همدیگر را خنثی می‌کنند و همیشه صفر می‌شود.

مثال‌های این جلسه

چالش‌ها

  1. Mean vs Median (آسان)
  2. The Range (آسان)
  3. Median by Hand (متوسط)
  4. Mean Deviation (متوسط)
  5. Bar Chart (سخت)
  6. Summary Report (سخت)

بیشتر بخوان

← جلسه‌ی 18: تمیز کردن داده جلسه‌ی 20: پروژه: کارنامه‌ی کلاس →