Ein Log-Log-Diagramm ist ein Diagramm, das sowohl auf der x-Achse als auch auf der y-Achse logarithmische Skalen verwendet.
Diese Art von Diagramm ist nützlich, um zwei Variablen zu visualisieren, wenn …
Die Binomialverteilung wird verwendet, um die Wahrscheinlichkeit zu beschreiben, k Erfolge in n Binomialexperimenten zu erhalten.
Ein binomiales Experiment ist ein Experiment mit folgenden Eigenschaften:
Folgt eine Zufallsvariable X einer Binomialverteilung, so lässt sich die Wahrscheinlichkeit, dass X = k Erfolge haben, nach folgender Formel ermitteln:
P(X=k) = n C k * p k * (1-p) nk
wo:
Im folgenden Beispiel wird erläutert, wie Sie ein Binomialverteilungsdiagramm in Excel erstellen.
Um einen Binomialverteilungsgraphen zu erstellen, müssen wir zunächst einen Wert für n (Anzahl der Versuche) und p (Erfolgswahrscheinlichkeit in einem bestimmten Versuch) festlegen:
Als nächstes müssen wir für jede mögliche Anzahl von Erfolgen eine Spalte erstellen:
Als nächstes können wir die Funktion BINOM.VERT() verwenden, um die Binomialwahrscheinlichkeit für die erste Anzahl von Erfolgen zu berechnen:
(Die Formeln wurden mit einer englischsprachen Excel-Version erstellt. Für die deutschen Formeln siehe z.B. hier)
Wir können diese Formel dann kopieren und in die verbleibenden Zellen in Spalte B einfügen:
Schließlich wir jedes der Binomialwahrscheinlichkeiten markieren, dann klicken Sie auf die Registerkarte Einfügen entlang der oberen Band, klicken Sie dann auf das Diagramm einfügen-Symbol in der Gruppe Charts:
Die x-Achse des Diagramms zeigt die Anzahl der Erfolge in 8 Versuchen und die y-Achse zeigt die entsprechende Wahrscheinlichkeit dieser vielen Erfolge.
Beachten Sie, dass sich das Diagramm automatisch ändert, wenn Sie den Wert für n oder p ändern, um die neuen Wahrscheinlichkeiten widerzuspiegeln.
Ein Log-Log-Diagramm ist ein Diagramm, das sowohl auf der x-Achse als auch auf der y-Achse logarithmische Skalen verwendet.
Diese Art von Diagramm ist nützlich, um zwei Variablen zu visualisieren, wenn …
Bei der Verwendung von Klassifizierungsmodellen beim maschinellen Lernen verwenden wir häufig zwei Metriken, um die Qualität des Modells zu bewerten, nämlich Präzision und Erinnerung.
Precision: Korrigieren Sie positive Vorhersagen im …