Да, пипец не легко)

Спасибо за наводку, решил.

В задаче это названо "средним значением осадков и его дисперсия", что наводит на мысль что это и есть средне выборочное и его дисперсия.

Средневыборочное - да, но дисперсию надо получить поделив на n.

Это конечно сбивает с толку.
Сейчас я решил задачу, но понял ещё не полностью.

Выходит у меня один и тот же набор данных, но в первом случае я считаю что у них дисперсия X, а во втором случае я считаю что у них дисперсия X/n.

потому что в одном случае дисперсия ВЫБОРКИ, а во втором - дисперсия СРЕДНЕГО выборки

D( x1+....+xn/n)= (1/n^2)*sum( Dx_i)= (n*Dx)/n^2=Dx/n

Есть годовое значение осадков, есть его среднее по выборке, две разные сл величины. Эту же формулу можно вывести из дисперсии суммы n случайных величин при условии их взаимной независимости.

Если у вас выборка большая, то выборочное среднее почти мат ожидание, если выборка маленькая, то выб ср меняется сильно. Интуитивная зависимость от размера.

При переходе от одной выборки к другой, имеется в виду

Спасибо, примерно понял, но видимо надо больше практики для полного понимания

Там весь 4 курс об этом, будет где ещё попробовать)

Всем привет. Ребята, подскажите, будут ли библиотечные функции precision, recall и  f1 работать для мультиклассового варианта? Если классов не два, а пять?

простите, а гугл отключили?

кроме того, help еще у каждой функции есть

Вот это разговор👍

Всем привет👋
Подскажите, пожалуйста, по pandas.
Есть датафрейм типа:
cluster | name
1 - a
1 - a
1 - c
2 - a
2 - b
Мне нужно сгруппировать по полю cluster и получить в каждом кластере значение name и количество таких name в этом кластере.
Тут будет:
Cluster 1: a - 2, c-1
cluster 2: a-1, b-1
Как лучше это сделать? У меня получается толко сгруппировать и общее количество найти, а не количество каждого уникального в классе по отдельности. Не понимаю куда дальше копать :с

Только спросила и поняла как делать😅 Если кому-то понадобится, то просто группировать по cluster и по name, он оказывается как в sql может👌

двойная группировка нужна

df[а] = np.ones(len(df)) - создаем дополнительный столбец с единицами
df.groupby(['cluster', 'name']).sum() - соберет по группам и посчитает количество. Того же эффекта можно добиться через .size() только без добавления артефактного столбца

Дааа, спасибо)

О, так прям красиво получается, спасибо большое)

Подскажите  может кто сталкивался. Есть два компа, один старый, там проц core i7 первого поколения и второй новый, там ryzen 3. оба 4 ядра, памяти 16 гигов. Запускаю трейн на scikit, mlpclassifier. Один и тот же датасет. Первый комп всю ночь считает, второй 30 минут. Вопрос, почему такая грандиозная разница?