<\/p>\n
De mediaan absolute afwijking<\/strong> meet de verdeling van waarnemingen<\/a> in een dataset.<\/span><\/p>\n Dit is een bijzonder nuttige maatstaf omdat deze minder wordt be\u00efnvloed door uitbijters dan andere spreidingsmaatstaven zoals standaarddeviatie en variantie.<\/span><\/p>\n De formule voor het berekenen van de absolute mediaanafwijking, vaak afgekort als MAD, is:<\/span><\/p>\n MAD = mediaan (|x i<\/sub> \u2013 x m<\/sub> |)<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n De volgende voorbeelden laten zien hoe u de mediaan absolute afwijking in Python kunt berekenen met behulp van de gekke<\/strong> functie statsmodels<\/a> .<\/span><\/p>\n De volgende code laat zien hoe u de mediaan absolute afwijking voor een enkele NumPy-array in Python kunt berekenen:<\/span><\/p>\n De mediaan absolute afwijking voor de dataset blijkt 11,1195<\/strong> te zijn.<\/span><\/p>\n Het is belangrijk op te merken dat de formule die wordt gebruikt om de MAD te berekenen een robuuste schatting van de standaardafwijking berekent, uitgaande van een normale verdeling,<\/a> door het resultaat te schalen met een factor van ongeveer 0,67.<\/span><\/p>\n Om het gebruik van deze schaalfactor te vermijden, stelt u eenvoudigweg c = 1 als volgt in:<\/span><\/p>\n De volgende code laat zien hoe u MAD berekent voor een enkele kolom in een Panda DataFrame:<\/span><\/p>\n De absolute mediaanafwijking voor kolom B<\/em> blijkt 2,965204<\/strong> te zijn.<\/span><\/p>\n We kunnen een vergelijkbare syntaxis gebruiken om MAD te berekenen voor meerdere kolommen in het panda’s DataFrame:<\/span><\/p>\n De absolute mediaanafwijking is 0<\/b> voor kolom A, 2,965204<\/strong> voor kolom B en 2,965204<\/b> voor kolom C.<\/span><\/p>\n Hoe MAPE in Python te berekenen<\/a> De mediaan absolute afwijking meet de verdeling van waarnemingen in een dataset. Dit is een bijzonder nuttige maatstaf omdat deze minder wordt be\u00efnvloed door uitbijters dan andere spreidingsmaatstaven zoals standaarddeviatie en variantie. De formule voor het berekenen van de absolute mediaanafwijking, vaak afgekort als MAD, is: MAD = mediaan (|x i \u2013 x m |) […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1283","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld 1: Bereken de MAD voor een tafel<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nfrom<\/span> statsmodels import<\/span> robust<\/span>\n\n#define data\n<\/span>data = np. array<\/span> ([1, 4, 4, 7, 12, 13, 16, 19, 22, 24])\n\n#calculate MAD\n<\/span>robust. mad<\/span> (data)\n\n11.1195\n<\/strong><\/pre>\n #calculate MAD without scaling factor\n<\/span>robust. mad<\/span> (data, c=1)\n\n7.5<\/strong><\/pre>\n Voorbeeld 2: Bereken MAD voor een DataFrame<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (1)\n\n#create pandas DataFrame\n<\/span>data = pd. DataFrame<\/span> ( np.random.randint<\/span> (0,10,size=(5,3)),columns =<\/span> [' A<\/span> ',' B<\/span> ',' C<\/span> '])\n\n#view DataFrame\n<\/span>data\n\n A B C\n0 5 8 9\n1 5 0 0\n2 1 7 6\n3 9 2 4\n4 5 2 4\n\n#calculate MAD for column B<\/em>\ndata[[' B<\/span> ']]. apply<\/span> (robust. mad<\/span> )\n\nB 2.965204\ndtype:float64<\/span><\/span><\/strong><\/pre>\n #calculate MAD for all columns<\/span>\ndata[[' A<\/span> ',' B<\/span> ',' C<\/span> ']]. apply<\/span> (robust. mad<\/span> )\n\nAt 0.000000\nB 2.965204\nC 2.965204\ndtype:float64\n<\/span><\/span><\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe SMAPE in Python te berekenen<\/a>
Hoe RMSE in Python te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"