LOGIN
ثبت نام یا ورود
Avatar
هنوز ثبت نام نکرده اید؟

هم اکنون عضو پلاک آبی شوید .و به اطلاعات وب سایت ما دسترسی داشته باشید

تنظیم مجدد کلمه عبور - نام کاربری را فراموش کرده ام

نام کاربری
کلمه عبور
مرا به خاطر بسپار

placabi articles

توابع تولید اعداد تصادفی و گسسته سازی داده ها در پایتون توابع تولید اعداد تصادفی و گسسته سازی داده ها در Python

توابع تولید اعداد تصادفی و گسسته سازی داده ها در پایتون

  • این مورد را ارزیابی کنید
    (9 رای‌ها)

بررسی مفاهیم گسسته سازی یا discretization و توابع اعداد تصادفی و معرفی کاربردهای آن در داده کاوی و پیاده سازی یک مثال در پایتون به صورت یک فیلم آموزشی

گسسته سازی یا Discretization

گسسته سازی داده ها یا discretization یک روش کاهش داده ها در داده کاوی به شمار می‌رود. هدف کلی روش‌های گسسته سازی داده ها کم کردن تعداد مقادیر متمایز مربوط به یک یا چند مشخصه است. این رویکرد از یک سو مشخصه های پیوسته را به مشخصه های دسته ای با تعداد محدود مقادیر متمایز تقلیل می‌دهد و از سوی دیگر هدف آن کاهش تعداد مقادیر متمایز مربوط به مشخصه های دسته ای است.

به عنوان مثال، درآمد ماهانه کارمندان یک شرکت که مقادیر عددی پیوسته هستند را می‌توان به سه دسته متمایز «کم»، «متوسط» و «زیاد» تقسیم کرد.

معروف‌ترین روش‌های گسسته سازی داده ها یا discretization داده ها عبارت است از:

  • گسسته سازی موضوعی : در این روش بر اساس تجربه و نظر خبرگان حوزه کاربردی انجام می‌شود.
  • گسسته سازی به کلاس ها : این روش به صورت خودکار با بخش‌بندی به کلاس ها یا دسته های هم اندازه یا هم پهنا صورت می‌گیرد.

 

توابع تولید اعداد تصادفی

توابع تولید اعداد تصادفی کاربرد گسترده‌ای در ریاضیات و آمار دارد که با به‌کارگیری آن‌ها می‌توان بسیاری از مسائل دنیای واقعی را حل کرد. رفتار پدیده‌هایی که در پیرامون ما اتفاق می‌افتد با یکدیگر متفاوت بوده و هر یک از توزیع خاص و پارامترهای منحصر به فردی پیروی می‌کنند. یکی از کاربردهای توابع تولید اعداد تصادفی، شبیه سازی سیستم‌های صف ، به طور مثال، شبیه سازی سیستم صف بانک یا یک رستوران زنجیره‌ای است. با شناسایی توابع ورود و خدمت‌گیری افراد در سیستم، می‌توان قبل از پیاده‌سازی واقعی آن، در یک محیط نرم افزاری مانند پایتون رفتار سیستم را ارزیابی کرده و مشکلات موجود در سیستم را پیش از صرف هزینه‌های اضافی برای پیاده‌سازی و توسعه طرح، اصلاح نمود.

با توجه به کاربرد گسترده این توابع، دسترسی به آن‌ها از طریق کتابخانه هایی در Python و R ایجاد شده ‌است. شما به سادگی با استفاده از این کتابخانه ها می‌توانید هر تعداد داده با هر تابع توزیعی را ایجاد نمایید. در زبان پایتون با به‌کارگیری کتابخانه numpy و دستور زیر می‌توانید 100 داده با توزیع نرمال، میانگین 20 و انحراف معیار 2 بسازید:

 numpy.random.normal (20, 2, 100) 

همین کار در نرم افزار R با دستور زیر انجام می‌گیرد:

 rnorm (100, mean=20, sd=2)

 

حال به‌عنوان یک تمرین ساده، قصد داریم با ساخت تعدادی داده با توزیعی خاص و همچنین به‌کارگیری داده های واقعی، به گسسته سازی داده ها در محیط پایتون بپردازیم. 

توسعه مهارت با حل تمرین

با به‌کارگیری توابع تولید اعداد تصادفی یک آرایه از سن افراد به صورت دلخواه بسازید. حال با به‌کارگیری این داده‌ها و یا با استفاده از داده های مربوط به سن بیماران در دیتاست Heart data، سن این افراد را بازه بندی کرده و به آن ها صفت نوجوان، جوان، میانسال و پیر بدهید. همچنین سعی کنید با به‌کارگیری دستورات aggregation به شمارش تعداد افراد هر دسته بپردازید.

در فیلمک زیر، علیرضا قره داغی به حل تمرین بالا پرداخته است:

ویدئوهای آموزشی توسعه مهارت داده کاوی در پایتون - گروه هوش کسب و کار ایرانیان

<p>

دانلود دیتاست برای انجام پروژه

File name: Heart_data.xlsx

537 50
</p>

خواندن 306 دفعه آخرین ویرایش در دوشنبه, 14 اسفند 1396 01:31
علیرضا قره داغی

کارشناس سیستم‌ها و روش‌های شرکت پلاک آبی

 

 

عضو تیم تولید محتوای وب سایت و شبکه‌های اجتماعی شرکت پلاک آبی

دانشجوی کارشناسی مهندسی صنایع دانشگاه صنعتی شریف

 

کاربرانی که در این گفتگو شرکت کرده اند

نظر خود را اضافه کنید.

ارسال نظر به عنوان مهمان

0
نظر شما به دست مدیر خواهد رسید
 تماس با ما

شهرک غرب، بلوار فرحزادی، خیابان تربیت معلم،
انتهای خیابان گلبان،
مجتمع موج، واحد 105
کد پستی: 1998963193
تلفن: 5 - 88560784
فکس: 88560786
پست الکترونیک:
info @ p l a c a b i . com
ibig @ p l a c a b i . com

 

We use cookies to improve our website. By continuing to use this website, you are giving consent to cookies being used. More details…