了解手段类型 |设置 1

它是统计学中最重要的概念之一，是学习机器学习的关键学科。

• 算术平均值：它是一组离散数字或平均值的数学期望。
  用X̂表示，发音为“x-bar”。它是集合中所有离散值的总和除以集合中值的总数。
  计算 n 值平均值的公式 – x ₁ , x ₂ , ..... x _n
  

• 例子 -

Sequence = {1, 5, 6, 4, 4}

Sum             = 20
n, Total values = 5
Arithmetic Mean = 20/5 = 4

• 代码 -

Python3

# Arithmetic Mean
 
import statistics
 
# discrete set of numbers
data1 = [1, 5, 6, 4, 4]
 
x = statistics.mean(data1)
 
# Mean
print("Mean is :", x)

• 输出 ：

Mean is : 4

• 修剪平均值：算术平均值受数据中异常值（极值）的影响。因此，当我们在机器学习中处理此类数据时，在预处理时使用修剪均值。
  它是具有变化的算术，即通过从给定数据序列的每一端删除固定数量的排序值来计算，然后计算剩余值的平均值（平均值）。
  

• 例子 -
  

Sequence = {0, 2, 1, 3}
p        = 0.25

Remaining Sequence  = {2, 1}
n, Total values = 2
Mean = 3/2 = 1.5

• 代码 -

Python3

# Trimmed Mean
 
from scipy import stats
 
# discrete set of numbers
data = [0, 2, 1, 3]
 
x = stats.trim_mean(data, 0.25)
 
# Mean
print("Trimmed Mean is :", x)

• 输出 ：

Trimmed Mean is : 1.5

• 加权平均值：算术平均值或修剪平均值对所有涉及的参数给予同等重视。但是每当我们进行机器学习预测时，有可能某些参数值比其他参数值更重要，因此我们为这些参数的值分配高权重。此外，我们的数据集可能具有高度可变的参数值，因此我们为这些参数的值分配较小的权重。
  

• 例子 -

Sequence = [0, 2, 1, 3]
Weight   = [1, 0, 1, 1]

Sum (Weight * sequence)  = 0*1 + 2*0 + 1*1 + 3*1
Sum (Weight) = 3
Weighted Mean = 4 / 3 = 1.3333333333333333

• 代码 1 –

Python3

# Weighted Mean
 
import numpy as np
 
# discrete set of numbers
data = [0, 2, 1, 3]
 
x = np.average(data, weights =[1, 0, 1, 1])
 
# Mean
print("Weighted Mean is :", x)

• 输出 1：

Weighted Mean is : 1.3333333333333333

• 代码 2 –

Python3

# Weighted Mean
 
data = [0, 2, 1, 3]
weights = [1, 0, 1, 1]
 
x = sum(data[i] * weights[i]
    for i in range(len(data))) / sum(weights)
 
 
print ("Weighted Mean is :", x)

• 输出 2：

Weighted Mean is : 1.3333333333333333