<\/p>\n
Een intraclass correlatieco\u00ebffici\u00ebnt<\/a> (ICC) wordt gebruikt om te bepalen of items of onderwerpen betrouwbaar kunnen worden beoordeeld door verschillende beoordelaars.<\/span><\/p>\n De waarde van een ICC kan vari\u00ebren van 0 tot 1, waarbij 0 duidt op geen betrouwbaarheid<\/a> onder de beoordelaars en 1 op perfecte betrouwbaarheid.<\/span><\/p>\n De eenvoudigste manier om ICC in Python te berekenen is door de functie penguin.intraclass_corr()<\/a> uit het Penguin Statistics-pakket<\/a> te gebruiken, dat de volgende syntaxis gebruikt:<\/span><\/p>\n pengouin.intraclass_corr(gegevens, doelstellingen, beoordelaars, cijfers)<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n Deze tutorial geeft een praktisch voorbeeld van het gebruik van deze functie.<\/span><\/p>\n Allereerst moet je Penguin installeren:<\/span><\/p>\n Stel dat aan vier verschillende juryleden wordt gevraagd de kwaliteit van zes verschillende toelatingsexamens voor universiteiten te beoordelen. We kunnen het volgende dataframe maken om de scores van de juryleden bij te houden:<\/span><\/p>\n Vervolgens zullen we de volgende code gebruiken om de correlatieco\u00ebffici\u00ebnt binnen de klasse te berekenen:<\/span><\/span><\/p>\n Deze functie retourneert de volgende resultaten:<\/span><\/p>\n\n
Stap 1: Installeer Penguin<\/strong><\/span><\/h3>\n
pip install<\/span> penguin<\/b><\/span><\/span><\/pre>\n Stap 2: Cre\u00eber de gegevens<\/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 Stap 3: Bereken de correlatieco\u00ebffici\u00ebnt binnen de klasse<\/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