Question 1

การวัดแนวโน้มสู่ส่วนกลางแบบใดเหมาะสมที่สุดสำหรับข้อมูลที่มีค่าผิดปกติ (outliers)?

Accepted Answer

ค่ามัธยฐานคือการวัดแนวโน้มสู่ส่วนกลางที่ทนทานต่อค่าผิดปกติมากที่สุด เพราะเป็นค่ากลางของข้อมูลที่เรียงลำดับแล้ว ไม่ได้รับผลกระทบจากค่าสุดขั้ว ต่างจากค่าเฉลี่ยที่รวมค่าทั้งหมด ค่ามัธยฐานพิจารณาเฉพาะตำแหน่ง ตัวอย่างเช่น สำหรับเงินเดือนของบริษัทที่มีผู้บริหารเงินเดือนสูงไม่กี่คน ค่ามัธยฐานแสดงเงินเดือนทั่วไปได้ดีกว่าค่าเฉลี่ย

Question 2

ความแปรปรวนของชุดข้อมูลคืออะไร?

Accepted Answer

ความแปรปรวนวัดการกระจายของข้อมูลรอบค่าเฉลี่ย คำนวณเป็นค่าเฉลี่ยของกำลังสองของส่วนเบี่ยงเบนจากค่าเฉลี่ย การยกกำลังสองทำให้ได้ค่าบวกเสมอและขยายผลกระทบของค่าที่อยู่ไกลจากค่าเฉลี่ย หน่วยของความแปรปรวนคือกำลังสองของหน่วยข้อมูลเดิม จึงมักใช้ส่วนเบี่ยงเบนมาตรฐาน (รากที่สองของความแปรปรวน) เพื่อตีความการกระจายในหน่วยเดิม

Question 3

ความสัมพันธ์ระหว่างส่วนเบี่ยงเบนมาตรฐานและความแปรปรวนคืออะไร?

Accepted Answer

ส่วนเบี่ยงเบนมาตรฐานคือรากที่สองของความแปรปรวน การแปลงนี้นำการวัดการกระจายกลับสู่หน่วยข้อมูลเดิม ทำให้การตีความง่ายขึ้น ตัวอย่างเช่น หากข้อมูลเป็นยูโร ความแปรปรวนจะอยู่ในหน่วยยูโรกำลังสอง (ตีความยาก) ขณะที่ส่วนเบี่ยงเบนมาตรฐานจะอยู่ในหน่วยยูโร ดังนั้นส่วนเบี่ยงเบนมาตรฐานจึงเป็นที่นิยมในการสื่อสารการกระจายข้อมูลอย่างเป็นธรรมชาติ

สถิติเชิงพรรณนา

การวัดแนวโน้มสู่ส่วนกลางแบบใดเหมาะสมที่สุดสำหรับข้อมูลที่มีค่าผิดปกติ (outliers)?

คำตอบ

ความแปรปรวนของชุดข้อมูลคืออะไร?

คำตอบ

ความสัมพันธ์ระหว่างส่วนเบี่ยงเบนมาตรฐานและความแปรปรวนคืออะไร?

คำตอบ

ควอร์ไทล์ที่หนึ่ง (Q1) ของการแจกแจงแสดงถึงอะไร?

จะตีความสัมประสิทธิ์สหสัมพันธ์ Pearson เท่ากับ -0.85 อย่างไร?

หัวข้อสัมภาษณ์ Data Science & ML อื่นๆ

พื้นฐาน Python

การเขียนโปรแกรมเชิงวัตถุด้วย Python

โครงสร้างข้อมูล Python

พื้นฐาน Git

พื้นฐาน SQL

พื้นฐาน NumPy

พื้นฐาน Pandas

Jupyter & Google Colab

SQL Joins และคิวรีขั้นสูง

Pandas ขั้นสูง

การแสดงผลข้อมูลด้วย Matplotlib & Seaborn

การแสดงผลแบบโต้ตอบด้วย Plotly

สถิติเชิงอนุมาน

Web Scraping

BigQuery & Cloud Data

Feature Engineering

ML แบบมีผู้สอน: การถดถอย

ML แบบมีผู้สอน: การจำแนกประเภท

Decision Trees และ Ensembles

Unsupervised ML

ML Pipelines และการตรวจสอบ

Time Series และการพยากรณ์

พื้นฐาน Deep Learning

TensorFlow & Keras

CNN และการจำแนกภาพ

RNN และซีเควนซ์

Transformers และ Attention

NLP และ Hugging Face

GenAI และ LangChain

MLOps และการ Deploy

เชี่ยวชาญ Data Science & ML สำหรับการสัมภาษณ์ครั้งถัดไป