สถิติเชิงพรรณนา
ค่าเฉลี่ย ค่ามัธยฐาน ส่วนเบี่ยงเบนมาตรฐาน ควอร์ไทล์ การแจกแจง สหสัมพันธ์ ค่าผิดปกติ ความเบ้
1การวัดแนวโน้มสู่ส่วนกลางแบบใดเหมาะสมที่สุดสำหรับข้อมูลที่มีค่าผิดปกติ (outliers)?
การวัดแนวโน้มสู่ส่วนกลางแบบใดเหมาะสมที่สุดสำหรับข้อมูลที่มีค่าผิดปกติ (outliers)?
คำตอบ
ค่ามัธยฐานคือการวัดแนวโน้มสู่ส่วนกลางที่ทนทานต่อค่าผิดปกติมากที่สุด เพราะเป็นค่ากลางของข้อมูลที่เรียงลำดับแล้ว ไม่ได้รับผลกระทบจากค่าสุดขั้ว ต่างจากค่าเฉลี่ยที่รวมค่าทั้งหมด ค่ามัธยฐานพิจารณาเฉพาะตำแหน่ง ตัวอย่างเช่น สำหรับเงินเดือนของบริษัทที่มีผู้บริหารเงินเดือนสูงไม่กี่คน ค่ามัธยฐานแสดงเงินเดือนทั่วไปได้ดีกว่าค่าเฉลี่ย
2ความแปรปรวนของชุดข้อมูลคืออะไร?
ความแปรปรวนของชุดข้อมูลคืออะไร?
คำตอบ
ความแปรปรวนวัดการกระจายของข้อมูลรอบค่าเฉลี่ย คำนวณเป็นค่าเฉลี่ยของกำลังสองของส่วนเบี่ยงเบนจากค่าเฉลี่ย การยกกำลังสองทำให้ได้ค่าบวกเสมอและขยายผลกระทบของค่าที่อยู่ไกลจากค่าเฉลี่ย หน่วยของความแปรปรวนคือกำลังสองของหน่วยข้อมูลเดิม จึงมักใช้ส่วนเบี่ยงเบนมาตรฐาน (รากที่สองของความแปรปรวน) เพื่อตีความการกระจายในหน่วยเดิม
3ความสัมพันธ์ระหว่างส่วนเบี่ยงเบนมาตรฐานและความแปรปรวนคืออะไร?
ความสัมพันธ์ระหว่างส่วนเบี่ยงเบนมาตรฐานและความแปรปรวนคืออะไร?
คำตอบ
ส่วนเบี่ยงเบนมาตรฐานคือรากที่สองของความแปรปรวน การแปลงนี้นำการวัดการกระจายกลับสู่หน่วยข้อมูลเดิม ทำให้การตีความง่ายขึ้น ตัวอย่างเช่น หากข้อมูลเป็นยูโร ความแปรปรวนจะอยู่ในหน่วยยูโรกำลังสอง (ตีความยาก) ขณะที่ส่วนเบี่ยงเบนมาตรฐานจะอยู่ในหน่วยยูโร ดังนั้นส่วนเบี่ยงเบนมาตรฐานจึงเป็นที่นิยมในการสื่อสารการกระจายข้อมูลอย่างเป็นธรรมชาติ
ควอร์ไทล์ที่หนึ่ง (Q1) ของการแจกแจงแสดงถึงอะไร?
จะตีความสัมประสิทธิ์สหสัมพันธ์ Pearson เท่ากับ -0.85 อย่างไร?
+17 คำถามสัมภาษณ์
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
เข้าถึงคำถามทั้งหมด flashcards แบบทดสอบเทคนิค แบบฝึกหัด code review และตัวจำลองสัมภาษณ์
เริ่มใช้ฟรี