Data Analysis Tutorials

Lerne die einfache lineare Regression. Beherrsche die Modellgleichung, verstehe die wichtigsten Annahmen und Diagnosen und lerne, wie du die Ergebnisse effektiv interpretieren kannst.

Lerne, wie du die Standardabweichung der Stichprobe berechnest und ihre Bedeutung für die statistische Analyse verstehst. Erkunde Beispiele und Best Practices für die Interpretation von Daten aus der Praxis.

Lerne, wie du die Gesamtquadratsumme (SST), die Regressionsquadratsumme (SSR) und die Fehlerquadratsumme (SSE) berechnest, um die Genauigkeit des Regressionsmodells zu bewerten. Entdecke ihre mathematischen Beziehungen und wie sie das R-Quadrat beeinflussen.

Erfahre, wie du das bereinigte r-Quadrat interpretieren kannst, um die Leistung eines Regressionsmodells zu bewerten. Vergleiche den Unterschied zwischen r-Quadrat und bereinigtem r-Quadrat mit Beispielen in R und Python.

Entdecke, wie du mit dem ANOVA-Test die Mittelwerte mehrerer Gruppen vergleichen kannst, mit anschaulichen Beispielen, realen Anwendungen und praktischen Tipps zur Datenanalyse.

Entdecke die Bedeutung der Gauß-Verteilung, ihre Beziehung zum zentralen Grenzwertsatz und ihre realen Anwendungen beim maschinellen Lernen und bei Hypothesentests.

Die Poisson-Verteilung modelliert die Wahrscheinlichkeit, dass eine bestimmte Anzahl von Ereignissen innerhalb eines festen Intervalls eintritt. Sieh dir an, wie sie in realen Szenarien wie Warteschlangentheorie und Verkehrsmodellierung angewendet wird.

Ein winsorisierter Mittelwert reduziert den Einfluss von Ausreißern, indem er die Extremwerte auf bestimmte Perzentile begrenzt und so die Gesamtstruktur des Datensatzes bewahrt. Lies weiter, um zu erfahren, wie du mit Python den winsorisierten Mittelwert berechnest, um praktische Erfahrungen zu sammeln.

Lerne, wie die AUC-ROC-Kurve binäre Klassifizierungsmodelle bewertet, wobei der Schwerpunkt auf der Leistung über Schwellenwerte hinweg liegt, insbesondere bei unausgewogenen Datensätzen. Nutze die Python-Bibliotheken, um AUC-Werte zu berechnen und Klassifikatoren in einem Arbeitsgang zu vergleichen.

Lerne, wie du mehrere Diagramme in R mit den Funktionen par() oder layout() zu einem einzigen Diagramm zusammenfassen kannst. Diese Seite enthält Beispiele für die Codierung.

Lerne, wie man arithmetische und logische Operatoren in R verwendet. Diese binären Operatoren funktionieren mit Vektoren, Matrizen und Skalaren.

Verbessere deine Diagramme in R mit Titeln, Textanmerkungen, Beschriftung von Punkten, kleinen Häkchen, Referenzlinien, benutzerdefinierten Achsen und einer Diagrammlegende.