- 机器学习基础
- ML - 首页
- ML - 简介
- ML - 开始学习
- ML - 基本概念
- ML - 生态系统
- ML - Python 库
- ML - 应用
- ML - 生命周期
- ML - 必备技能
- ML - 实现
- ML - 挑战与常见问题
- ML - 局限性
- ML - 真实案例
- ML - 数据结构
- ML - 数学基础
- ML - 人工智能
- ML - 神经网络
- ML - 深度学习
- ML - 获取数据集
- ML - 分类数据
- ML - 数据加载
- ML - 数据理解
- ML - 数据准备
- ML - 模型
- ML - 监督学习
- ML - 无监督学习
- ML - 半监督学习
- ML - 强化学习
- ML - 监督学习 vs. 无监督学习
- 机器学习数据可视化
- ML - 数据可视化
- ML - 直方图
- ML - 密度图
- ML - 箱线图
- ML - 相关矩阵图
- ML - 散点矩阵图
- 机器学习统计学
- ML - 统计学
- ML - 均值、中位数、众数
- ML - 标准差
- ML - 百分位数
- ML - 数据分布
- ML - 偏度和峰度
- ML - 偏差和方差
- ML - 假设
- ML中的回归分析
- ML - 回归分析
- ML - 线性回归
- ML - 简单线性回归
- ML - 多元线性回归
- ML - 多项式回归
- ML中的分类算法
- ML - 分类算法
- ML - 逻辑回归
- ML - K近邻算法 (KNN)
- ML - 朴素贝叶斯算法
- ML - 决策树算法
- ML - 支持向量机
- ML - 随机森林
- ML - 混淆矩阵
- ML - 随机梯度下降
- ML中的聚类算法
- ML - 聚类算法
- ML - 基于中心点的聚类
- ML - K均值聚类
- ML - K中心点聚类
- ML - 均值漂移聚类
- ML - 层次聚类
- ML - 基于密度的聚类
- ML - DBSCAN聚类
- ML - OPTICS聚类
- ML - HDBSCAN聚类
- ML - BIRCH聚类
- ML - 亲和传播
- ML - 基于分布的聚类
- ML - 凝聚层次聚类
- ML中的降维
- ML - 降维
- ML - 特征选择
- ML - 特征提取
- ML - 向后剔除法
- ML - 向前特征构造
- ML - 高相关性筛选
- ML - 低方差筛选
- ML - 缺失值比例
- ML - 主成分分析
- 强化学习
- ML - 强化学习算法
- ML - 利用与探索
- ML - Q学习
- ML - REINFORCE算法
- ML - SARSA强化学习
- ML - 演员-评论家方法
- 深度强化学习
- ML - 深度强化学习
- 量子机器学习
- ML - 量子机器学习
- ML - 使用Python的量子机器学习
- 机器学习杂项
- ML - 性能指标
- ML - 自动化工作流程
- ML - 提升模型性能
- ML - 梯度提升
- ML - 自举汇聚 (Bagging)
- ML - 交叉验证
- ML - AUC-ROC曲线
- ML - 网格搜索
- ML - 数据缩放
- ML - 训练和测试
- ML - 关联规则
- ML - Apriori算法
- ML - 高斯判别分析
- ML - 成本函数
- ML - 贝叶斯定理
- ML - 精度和召回率
- ML - 对抗性
- ML - 堆叠
- ML - 轮次
- ML - 感知器
- ML - 正则化
- ML - 过拟合
- ML - P值
- ML - 熵
- ML - MLOps
- ML - 数据泄露
- ML - 机器学习的货币化
- ML - 数据类型
- 机器学习 - 资源
- ML - 快速指南
- ML - 速查表
- ML - 面试问题
- ML - 有用资源
- ML - 讨论
机器学习 - 百分位数
百分位数是机器学习中用于描述数据集分布的统计概念。百分位数是一种度量，表示一组观测值中低于给定百分比的观测值的数值。
例如，第25个百分位数（也称为第一四分位数）是数据集观测值中低于25%的数值，而第75个百分位数（也称为第三四分位数）是数据集观测值中低于75%的数值。
百分位数可以用来总结数据集的分布并识别异常值。在机器学习中，百分位数经常用于数据预处理和探索性数据分析以获得对数据的洞察。
Python 提供了几个用于计算百分位数的库，包括 NumPy 和 Pandas。
使用 NumPy 计算百分位数
下面是一个使用 NumPy 计算百分位数的示例：
示例
import numpy as np data = np.array([1, 2, 3, 4, 5]) p25 = np.percentile(data, 25) p75 = np.percentile(data, 75) print('25th percentile:', p25) print('75th percentile:', p75)
在这个示例中，我们使用 NumPy 创建一个样本数据集，然后使用np.percentile()函数计算第25个和第75个百分位数。
输出
输出显示数据集的百分位数的值。
25th percentile: 2.0 75th percentile: 4.0
使用 Pandas 计算百分位数
下面是一个使用 Pandas 计算百分位数的示例：
示例
import pandas as pd data = pd.Series([1, 2, 3, 4, 5]) p25 = data.quantile(0.25) p75 = data.quantile(0.75) print('25th percentile:', p25) print('75th percentile:', p75)
在这个示例中，我们创建一个 Pandas Series 对象，然后使用 Series 对象的quantile()方法计算第25个和第75个百分位数。
输出
输出显示数据集的百分位数的值。
25th percentile: 2.0 75th percentile: 4.0
广告