Explorarea datelor

Simulări Monte Carlo în Python

Izzy Weber

Curriculum Manager, DataCamp

Setul de date despre diabet

Zece variabile independente:

  • Vârstă age
  • Sex sex
  • Indice de masă corporală bmi
  • Tensiune arterială medie bp
  • Șase măsurători ale serului sanguin: tc, ldl, hdl, tch, ltg, glu
1 Bradley Efron, Trevor Hastie, Iain Johnstone and Robert Tibshirani (2004) "Least Angle Regression," Annals of Statistics (with discussion), 407-499 2 https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html
Simulări Monte Carlo în Python

Setul de date despre diabet

Variabila dependentă

  • Măsură cantitativă a progresiei bolii la un an de la referință, y

 

Dimensiunea setului de date

  • 442 pacienți cu diabet
Simulări Monte Carlo în Python

Setul de date despre diabet

dia.head()

|     | age | sex | bmi  | bp     | tc  | ldl   | hdl  | tch  | ltg    | glu | y   |
|-----|-----|-----|------|--------|-----|-------|------|------|--------|-----|-----|
| 0   | 59  | 2   | 32.1 | 101.00 | 157 | 93.2  | 38.0 | 4.00 | 4.8598 | 87  | 151 |
| 1   | 48  | 1   | 21.6 | 87.00  | 183 | 103.2 | 70.0 | 3.00 | 3.8918 | 69  | 75  |
| 2   | 72  | 2   | 30.5 | 93.00  | 156 | 93.6  | 41.0 | 4.00 | 4.6728 | 85  | 141 |
| 3   | 24  | 1   | 25.3 | 84.00  | 198 | 131.4 | 40.0 | 5.00 | 4.8903 | 89  | 206 |
| 4   | 50  | 1   | 23.0 | 101.00 | 192 | 125.4 | 52.0 | 4.00 | 4.2905 | 80  | 135 |
1 https://www4.stat.ncsu.edu/~boos/var.select/diabetes.html 2 http://statweb.lsu.edu/faculty/li/IIT/diabetes.txt
Simulări Monte Carlo în Python

De ce explorăm datele înainte de simulare?

  • Inspecție vizuală a distribuției variabilelor
    • Intuiție privind distribuția de probabilitate
  • Verificarea și măsurarea corelației dintre variabilele predictor
    • Justificări pentru modelarea structurii de covarianță
  • Verificarea și măsurarea corelației dintre predictori și răspuns
    • Înțelegere inițială a relației dintre predictori și răspuns
Simulări Monte Carlo în Python

Pairplot al setului de date

sns.pairplot(dia)

pairplot al variabilelor din setul de date dia

Simulări Monte Carlo în Python

Pairplot al setului de date

sns.pairplot(dia)

Pairplot cu sexul evidențiat

Simulări Monte Carlo în Python

Pairplot al setului de date

sns.pairplot(dia)

pairplot cu tc și ldl evidențiate

Simulări Monte Carlo în Python

Corelații între variabile

dia.corr()

Matrice de corelație între toate variabilele din dia

Simulări Monte Carlo în Python

Să exersăm!

Simulări Monte Carlo în Python

Preparing Video For Download...