Category: လမ်းညွှန်

အစုအဝေးခွဲခြမ်းစိတ်ဖြာခြင်း သည် ဒေတာအစုတစ်ခုအတွင်း စူးစမ်းလေ့လာမှုအုပ်စုများကို ရှာဖွေရန် ကြိုးပမ်းသည့် စက်သင်ယူမှု တွင် အသုံးပြုသည့် နည်းပညာတစ်ခုဖြစ်သည်။ အစုအဖွဲ့ခွဲခြမ်းစိတ်ဖြာခြင်း၏ ရည်ရွယ်ချက်မှာ အစုအဝေးတစ်ခုစီအတွင်းရှိ ရှုမြင်သုံးသပ်ချက်များသည် တစ်ခုနှင့်တစ်ခု အတော်လေး ဆင်တူကြောင်း အစုအဝေးများကို ရှာဖွေရန်ဖြစ်ပြီး မတူညီသော အစုအဝေးများတွင် လေ့လာတွေ့ရှိမှုများသည် တစ်ခုနှင့်တစ်ခု အလွန်ကွာခြားပါသည်။ အောက်ပါဥပမာများသည် အစုလိုက်ခွဲခြမ်းစိတ်ဖြာခြင်းကို အမျိုးမျိုးသော လက်တွေ့ကမ္ဘာအခြေအနေများတွင် မည်သို့အသုံးပြုကြောင်းပြသသည်။ ဥပမာ 1- လက်လီစျေးကွက် လက်လီကုမ္ပဏီများသည် အလားတူအိမ်ထောင်စုအုပ်စုများကို ခွဲခြားသတ်မှတ်ရန် အစုလိုက်အပြုံလိုက်အသုံးပြုလေ့ရှိသည်။ ဥပမာအားဖြင့်၊ လက်လီလုပ်ငန်းတစ်ခုသည် အောက်ပါအိမ်ထောင်စုအချက်အလက်များကို စုဆောင်းနိုင်သည်- အိမ်ထောင်စုဝင်ငွေ...

စံသွေဖည်မှုသည် ဒေတာအစုတစ်ခုအတွင်း တန်ဖိုးများဖြန့်ဝေမှုကို တိုင်းတာရန် အသုံးအများဆုံးနည်းလမ်းများထဲမှတစ်ခုဖြစ်သည်။ သင်တွက်ချက်နိုင်သော စံသွေဖည်မှု အမျိုးအစား နှစ်မျိုးရှိပြီး သင်လုပ်ဆောင်နေသော ဒေတာအမျိုးအစားပေါ် မူတည်၍ ကွဲပြားပါသည်။ 1. လူဦးရေစံသွေဖည် သင်လုပ်ဆောင်နေသော ဒေတာအစုံသည် လူဦးရေတစ်ခုလုံးကို ကိုယ်စားပြုသည့်အခါတွင် လူဦးရေစံသွေဖည်မှုကို တွက်ချက်သင့်သည်။ လူဦးရေစံနှုန်းသွေဖည်မှုကို တွက်ချက်ရန် ဖော်မြူလာမှာ σ ကို ရည်ညွှန်းသည်- σ = √ Σ(x i – μ) 2 / N ရွှေ- ∑ : “ပေါင်း”...

အဆိုပါ ဖြစ်ရပ် B ဖြစ်ပေါ်လာခြင်းကြောင့် ဖြစ်ရပ် A ၏ အခြေအနေအရ ဖြစ်နိုင်ခြေ ကို အောက်ပါအတိုင်း တွက်ချက်သည်- P(A|B) = P(A∩B) / P(B) ရွှေ- P(A∩B) = ဖြစ်ရပ် A နှင့် ဖြစ်ရပ် B နှစ်ခုစလုံး ဖြစ်ပွားနိုင်ခြေ။ P(B) = အဆိုပါဖြစ်ရပ် B ဖြစ်ပေါ်လာနိုင်ခြေ။ အောက်ပါ ဥပမာသည် Python ရှိ အခြေအနေဆိုင်ရာ ဖြစ်နိုင်ခြေများကို တွက်ချက်ရန် ဤဖော်မြူလာကို အသုံးပြုနည်းကို...

Matplotlib တွင် ဝင်ရိုးအညွှန်းရာထူးများကို ချိန်ညှိရန် အောက်ပါအခြေခံအထားအသိုကိုသုံးနိုင်သည်။ #adjust y-axis label position ax. yaxis . set_label_coords (-.1, .5) #adjust x-axis label position ax. xaxis . set_label_coords (.5, -.1) အောက်ဖော်ပြပါ ဥပမာများသည် ဤ syntax ကို လက်တွေ့တွင် မည်သို့အသုံးပြုရမည်ကို ပြသထားသည်။ ဥပမာ 1- X ဝင်ရိုးပေါ်ရှိ အညွှန်းအနေအထားကို ချိန်ညှိပါ။ အောက်ပါကုဒ်သည် Matplotlib...

Matplotlib ရှိ ဟစ်စတိုဂရမ်များ၏ ဘင်အရွယ်အစားကို ချိန်ညှိရန် အောက်ပါနည်းလမ်းများကို သင်သုံးနိုင်သည်။ နည်းလမ်း 1- bins အရေအတွက်ကို သတ်မှတ်ပါ။ plt. hist (data, bins= 6 ) နည်းလမ်း 2- ပုံးဘောင်များကို သတ်မှတ်ပါ။ plt. hist (data, bins=[0, 4, 8, 12, 16, 20]) နည်းလမ်း 3- ဘင်အကျယ်ကို သတ်မှတ်ပါ။ w=2 plt. hist (data, bins=np. arange...

Matplotlib ကွက်များတွင် ကျပန်းအရောင်များထုတ်လုပ်ရန် အောက်ပါအခြေခံအထားအသိုကိုသုံးနိုင်သည်။ 1. မျဉ်းကွက်အတွက် ကျပန်းအရောင်ကို ဖန်တီးပါ။ col = ( np.random.random (), np.random.random (), np.random.random ( ) ) plt. plot (x, y, c=col) 2. point cloud အတွက် ကျပန်းအရောင်များ ဖန်တီးပါ။ plt. scatter (x, y, c=np. random . rand (len(x), 3 ))...

Pearson အကြွင်းအကျန်များကို အမှီအခိုကင်းသော chi-square စမ်းသပ်မှု တွင် သတိပြုမိသောဆဲလ်နံပါတ်နှင့် အရေးပေါ်အခြေအနေဇယားရှိ မျှော်လင့်ထားသည့်ဆဲလ်နံပါတ်တို့ကြား ခြားနားချက်ကို ပိုင်းခြားစိတ်ဖြာရန် အသုံးပြုပါသည်။ Pearson အကြွင်းအကျန် ကို တွက်ချက်ရန် ဖော်မြူလာမှာ- r ij = (O ij – E ij ) / √ E ij ရွှေ- r ij : i th ကော်လံနှင့် j အတန်း ၏ဆဲလ်အတွက် Pearson...

Chi-square စမ်းသပ်မှုများ နှင့် ANOVA (“ ကွဲလွဲမှုများကို ခွဲခြမ်းစိတ်ဖြာခြင်း” ) သည် အသုံးများသော ကိန်းဂဏန်းစမ်းသပ်မှုနှစ်ခုဖြစ်သည်။ ထို့ကြောင့် ဤစမ်းသပ်မှုနှစ်ခုကြား ခြားနားချက်ကို နားလည်ရန်နှင့် ၎င်းတို့တစ်ခုစီကို မည်သည့်အချိန်တွင် အသုံးပြုရမည်ကို သိရှိရန် အရေးကြီးပါသည်။ ဤသင်ခန်းစာသည် စမ်းသပ်မှုနှစ်ခုကြားရှိ ခြားနားချက်အပြင် ၎င်းတို့ကို အသုံးပြုရမည့်အချိန်တွင် ရိုးရှင်းသော ရှင်းလင်းချက်ကို ပေးပါသည်။ Chi-square စစ်ဆေးမှုများကို ရှင်းပြသည်။ စာရင်းဇယားများတွင်၊ Chi-square စမ်းသပ်မှု နှစ်မျိုးရှိသည်။ 1. Chi-square goodness-of-fit test – အမျိုးအစားခွဲကိန်းရှင်တစ်ခုသည်...

စာရင်းဇယားများတွင်၊ Chi-square စမ်းသပ်မှု နှစ်မျိုးရှိသည်။ 1. Chi-square goodness-of-fit test – အမျိုးအစားခွဲကိန်းရှင်တစ်ခုသည် တွေးခေါ်မှုဆိုင်ရာ ဖြန့်ဝေမှုကို လိုက်နာခြင်း ရှိ၊ မရှိ ဆုံးဖြတ်ရန် အသုံးပြုသည်။ 2. Chi Square Test of Independence – အမျိုးအစားအလိုက် ကိန်းရှင်နှစ်ခုကြားတွင် သိသာထင်ရှားသော ဆက်စပ်မှု ရှိ၊ မရှိ ဆုံးဖြတ်ရန် အသုံးပြုသည်။ ဤဆောင်းပါးတွင်၊ ဤ Chi-square စမ်းသပ်မှုအမျိုးအစားတစ်ခုစီကို လက်တွေ့ကမ္ဘာအခြေအနေများတွင် မည်သို့အသုံးပြုကြောင်း ဥပမာများစွာကို မျှဝေပါသည်။ ဥပမာ...

ပန်ဒါများကို အသုံးပြုရာတွင် သင်ကြုံတွေ့ရနိုင်သည့် အမှားတစ်ခုမှာ- ValueError : cannot convert float NaN to integer ကော်လံတွင် NaN တန်ဖိုးများပါရှိသောအခါ၊ float မှ ကိန်းပြည့်သို့ pandas DataFrame ရှိ ကော်လံတစ်ခုသို့ ပြောင်းရန် ကြိုးပမ်းသောအခါတွင် ဤအမှားဖြစ်ပေါ်ပါသည်။ အောက်ဖော်ပြပါ ဥပမာသည် ဤအမှားကို လက်တွေ့တွင် မည်သို့ပြုပြင်ရမည်ကို ပြသထားသည်။ အမှားကို ဘယ်လိုပြန်ထုတ်မလဲ။ ကျွန်ုပ်တို့သည် အောက်ပါ ပန်ဒါ DataFrame ကို ဖန်တီးသည်ဆိုပါစို့။ import pandas...