Machine Learning - Standard Deviation

เรียนเขียนโปรเเกรมง่ายๆกับ Expert Programming Tutor ในบท Macchine Learnning - Standard Deviation
ในเนื้อหานี้เราจะได้เรียนรู้เกี่ยวกับ ดังนี้
-ค่าเบี่ยงเบนมาตรฐานคือตัวเลขที่อธิบายถึงวิธีการกระจายค่า
-ค่าเบี่ยงเบนมาตรฐานต่ำหมายความว่าตัวเลขส่วนใหญ่ใกล้เคียงกับ mean (ค่าเฉลี่ย)
-ค่าเบี่ยงเบนมาตรฐานสูงหมายความว่าค่าจะกระจายออกไปในช่วงกว้างกว่า
ตัวอย่าง: เวลานี้เราได้ลงความเร็ว 7 คัน

ค่าเบี่ยงเบนมาตรฐานคือ

หมายความว่าค่าส่วนใหญ่อยู่ในช่วง 0.9 จากค่าเฉลี่ยซึ่งคือ 86.4
ให้เราทำแบบเดียวกันกับการเลือกตัวเลขที่มีช่วงกว้างขึ้น

ค่าเบี่ยงเบนมาตรฐานคือ

หมายความว่าค่าส่วนใหญ่อยู่ในช่วง 37.85 จากค่าเฉลี่ยซึ่งคือ 77.4
ดังที่นักเรียนเห็นค่าเบี่ยงเบนมาตรฐานที่สูงกว่าระบุว่าค่านั้นกระจายออกไปในช่วงที่กว้างขึ้น
โมดูล NumPy มีวิธีการคำนวณค่าเบี่ยงเบนมาตรฐาน
ตัวอย่าง
ใช้เมธอด NumPy std () เพื่อหาค่าเบี่ยงเบนมาตรฐาน

ผลลัพธ์

Variance
Variance(σ2) คือ ค่าความแปรปรวนของข้อมูลความแปรปรวน ความแปรปรวนเป็นตัวเลขอีกตัวหนึ่งที่บ่งชี้ว่าการกระจายค่าเป็นอย่างไร ที่จริงแล้วถ้านักเรียนหาสแควร์รูทของความแปรปรวนนักเรียนจะได้ค่าเบี่ยงเบนมาตรฐาน! หรือวิธีอื่น ๆ ถ้านักเรียนคูณค่าเบี่ยงเบนมาตรฐานด้วยตัวเองนักเรียนจะได้ความแปรปรวน! ในการคำนวณความแปรปรวนที่นักเรียนต้องทำดังนี้
 1.หาความหมาย

2.สำหรับแต่ละค่า หาความแตกต่างจากค่าเฉลี่ย

3.สำหรับความแตกต่าง หาค่าสแควร์

4.ความแปรปรวนคือจำนวนเฉลี่ยของความแตกต่างยกกำลังสองเหล่านี้

ใน NumPy มีวิธีการคำนวณความแปรปรวน มาให้
ตัวอย่าง
ใช้วิธี NumPy var() เพื่อหาความแปรปรวน

ผลลัพธ์ 

ส่วนเบี่ยงเบนมาตรฐาน
ดังที่เราได้เรียนรู้สูตรการหาค่าเบี่ยงเบนมาตรฐานคือสแควร์รูทของความแปรปรวน

หรือตามตัวอย่างก่อนหน้านี้ใช้ NumPy เพื่อคำนวณค่าเบี่ยงเบนมาตรฐาน
ตัวอย่าง
ใช้เมธอด NumPy std() เพื่อหาค่าเบี่ยงเบนมาตรฐาน

ผลลัพธ์

สัญลักษณ์
- ความเบี่ยงเบนมาตรฐานมักจะถูกแทนด้วยสัญลักษณ์ซิกมา: σ
- ความแปรปรวนมักจะถูกแทนด้วยสัญลักษณ์ Sigma Square: σ2
บทสรุป
ส่วนเบี่ยงเบนมาตรฐานและความแปรปรวนเป็นคำที่มักใช้ในการเรียนรู้ของเครื่องดังนั้นจึงเป็นสิ่งสำคัญที่จะต้องเข้าใจวิธีการรับพวกเขาและแนวคิดที่อยู่เบื้องหลังพวกเขา
แปลจากhttps://www.w3schools.com/python/python_ml_standard_deviation.asp