<\/p>\n
Mithilfe eines Intraclass-Korrelationskoeffizienten<\/a> (ICC) wird ermittelt, ob Elemente oder Themen von verschiedenen Bewertern zuverl\u00e4ssig bewertet werden k\u00f6nnen.<\/span><\/p>\n Der Wert eines ICC kann zwischen 0 und 1 liegen, wobei 0 f\u00fcr keine Zuverl\u00e4ssigkeit<\/a> unter den Bewertern steht und 1 f\u00fcr vollkommene Zuverl\u00e4ssigkeit steht.<\/span><\/p>\n Der einfachste Weg, ICC in Python zu berechnen, ist die Verwendung der Funktion penguin.intraclass_corr()<\/a> aus dem Penguin-Statistikpaket<\/a> , die die folgende Syntax verwendet:<\/span><\/p>\n pengouin.intraclass_corr(Daten, Ziele, Bewerter, Noten)<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Dieses Tutorial bietet ein praktisches Beispiel f\u00fcr die Verwendung dieser Funktion.<\/span><\/p>\n Zun\u00e4chst m\u00fcssen Sie Penguin installieren:<\/span><\/p>\n Angenommen, vier verschiedene Richter werden gebeten, die Qualit\u00e4t von sechs verschiedenen Hochschulaufnahmepr\u00fcfungen zu bewerten. Wir k\u00f6nnen den folgenden Datenrahmen erstellen, um die Punkte der Jury zu speichern:<\/span><\/p>\n Als N\u00e4chstes verwenden wir den folgenden Code, um den Korrelationskoeffizienten innerhalb der Klasse zu berechnen:<\/span><\/span><\/p>\n Diese Funktion gibt die folgenden Ergebnisse zur\u00fcck:<\/span><\/p>\n\n
Schritt 1: Penguin installieren<\/strong><\/span><\/h3>\n
pip install<\/span> penguin<\/b><\/span><\/span><\/pre>\n Schritt 2: Erstellen Sie die Daten<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' exam<\/span> ': [1, 2, 3, 4, 5, 6, 1, 2, 3, 4, 5, 6,\n 1, 2, 3, 4, 5, 6, 1, 2, 3, 4, 5, 6],\n ' judge<\/span> ': ['A', 'A', 'A', 'A', 'A', 'A',\n 'B', 'B', 'B', 'B', 'B', 'B',\n 'C', 'C', 'C', 'C', 'C', 'C',\n 'D', 'D', 'D', 'D', 'D', 'D'],\n ' rating<\/span> ': [1, 1, 3, 6, 6, 7, 2, 3, 8, 4, 5, 5,\n 0, 4, 1, 5, 5, 6, 1, 2, 3, 3, 6, 4]})\n\n#view first five rows of DataFrame\ndf. head<\/span> ()\n\n\texam judge rating\n0 1 A 1\n1 2 A 1\n2 3 A 3\n3 4 To 6\n4 5 A 6\n<\/span><\/span><\/strong><\/span><\/pre>\n Schritt 3: Berechnen Sie den klasseninternen Korrelationskoeffizienten<\/strong><\/span><\/h3>\n
import<\/span> penguin as<\/span> pg\n\nicc = pg. intraclass_corr<\/span> (data=df, targets=' exam<\/span> ', raters=' judge<\/span> ', ratings=' rating<\/span> ')\n\nicc. set_index<\/span> (' Type<\/span> ')\n\n Description ICC F df1 df2 pval CI95%\nKind\t\t\t\t\t\t\t\nICC1 Single raters absolute 0.505252 5.084916 5 18 0.004430 [0.11, 0.89]\nICC2 Single random raters 0.503054 4.909385 5 15 0.007352 [0.1, 0.89]\nICC3 Single fixed raters 0.494272 4.909385 5 15 0.007352 [0.09, 0.88]\nICC1k Average raters absolute 0.803340 5.084916 5 18 0.004430 [0.33, 0.97]\nICC2k Average random raters 0.801947 4.909385 5 15 0.007352 [0.31, 0.97]\nICC3k Average fixed raters 0.796309 4.909385 5 15 0.007352 [0.27, 0.97]\n<\/strong><\/pre>\n