Yesen/python_math_stat
2
1
Fork 1
Code Issues 1 Pull Requests Packages Projects Releases Wiki Activity

saved

Browse Source
This commit is contained in:
Yesen 2023-10-13 13:16:02 +03:00
parent c154834706
commit e14148adc9
1 changed files with 3 additions and 3 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

6
docs/DataScience/EDA.md
View File

@ -50,7 +50,7 @@ plt.ylabel('Переменная Y')
plt.title('Диаграмма рассеяния') plt.title('Диаграмма рассеяния')
plt.show() plt.show()
``` ```
![Диаграмма рассеяния](C:\Users\admin\Documents\prog\hello\practica\DataBase\Figure_2.png) ![Диаграмма рассеяния](docs\practica\DataBase\Figure_2.png)
### Ящик с усами (box plot) ### Ящик с усами (box plot)
--- ---
@ -138,7 +138,7 @@ plt.ylabel('Переменная Y')
plt.title('Диаграмма рассеяния и корреляция') plt.title('Диаграмма рассеяния и корреляция')
plt.show() plt.show()
``` ```
![Диаграмма рассеяния и корреляция](C:/Users/admin/Documents/prog/hello/practica/DataBase/Figure_3.png) ![Диаграмма рассеяния и корреляция](docs/practica/DataBase/Figure_3.png)
## Преобразование данных (например, нормализация или стандартизация) ## Преобразование данных (например, нормализация или стандартизация)
__Преобразование данных__ – это процесс изменения шкалы или распределения переменных, чтобы сделать их более подходящими для анализа или моделирования. Это важный этап EDA, который помогает сгладить различия между переменными и создать более устойчивые и интерпретируемые данные. Преобразование данных может быть особенно полезным, когда у нас есть переменные с разными диапазонами значений, что может затруднять интерпретацию результатов. Это также может помочь алгоритмам машинного обучения работать более эффективно, так как они часто ожидают, что переменные будут иметь определенный масштаб или распределение. __Преобразование данных__ – это процесс изменения шкалы или распределения переменных, чтобы сделать их более подходящими для анализа или моделирования. Это важный этап EDA, который помогает сгладить различия между переменными и создать более устойчивые и интерпретируемые данные. Преобразование данных может быть особенно полезным, когда у нас есть переменные с разными диапазонами значений, что может затруднять интерпретацию результатов. Это также может помочь алгоритмам машинного обучения работать более эффективно, так как они часто ожидают, что переменные будут иметь определенный масштаб или распределение.
@ -192,7 +192,7 @@ plt.ylabel('Значения')
plt.title('Анализ выбросов') plt.title('Анализ выбросов')
plt.show() plt.show()
``` ```
![Boxplot](C:\Users\admin\Documents\prog\hello\practica\DataBase\Figure_4.png) ![Boxplot](docs\practica\DataBase\Figure_4.png)
# Шаги разведочного анализа данных # Шаги разведочного анализа данных
## Загрузка и первичный осмотр данных ## Загрузка и первичный осмотр данных