Learn AI with Python · Ders

Hipotez Testleri

Q: “Hipotez Testleri” dersi ücretsiz mi?

Evet — “Hipotez Testleri” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.

Q: Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 3. dersidir.

Q: “Hipotez Testleri” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Q: Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Sıfır hipotezi, p-değeri, t-testi ve scipy.stats ile ki-kare testi.

Hipotez Testleri, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 3. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.

Hipotez Sınaması Nedir

Bir hipotez sınaması, gözlemlenen bir etkinin gerçek olup olmadığına veya yalnızca rastlantıdan kaynaklanıp kaynaklanmadığına karar vermek için verileri kullanır. Veri bilimcilerin "yeni tasarım tıklamaları artırdı" gibi iddiaları gerekçelendirme yöntemi budur.

Sıfır ve Alternatif Hipotez

Sıfır hipotezi H0, bir etki OLMADIĞINI söyler (varsayılan, kuşkucu yaklaşım). Alternatif hipotez H1 ise bir etkinin VAR olduğunu söyler. H0'a karşı kanıt toplamaya çalışırız.

p-değeri

p-değeri, H0 doğru OLSAYDI bu kadar uç bir veriyi görme olasılığıdır. Küçük bir p-değeri, verilerin H0 altında şaşırtıcı olduğunu gösterir; bu nedenle H0'dan kuşku duyarız.

Anlamlılık Düzeyi

p değerini bir eşik olan alfa ile karşılaştırırız (yaygın olarak 0,05). p < alpha ise H0'ı reddederiz; aksi hâlde H0'ı reddetmek için yeterli kanıt bulamayız. alfa, kabul edilebilir yanlış pozitif oranıdır.

p Ne ANLAMA GELMEZ

p-değeri, H0'ın doğru olma olasılığı DEĞİLDİR ve etkinin büyüklüğü DEĞİLDİR. Çok büyük bir örneklemde çok küçük bir p, önemsiz derecede küçük bir farkı yansıtabilir. Etki büyüklüğünü de her zaman bildirin.

Tek Örneklem t-Sınaması

ttest_1samp, bir örneklem mean değerinin bilinen bir değerden farklı olup olmadığını denetler; örneğin ortalama yanıt süresinin 200 ms hedefinden farklı olup olmadığını.

from scipy import stats
import numpy as np
times = np.array([198, 205, 210, 195, 220, 208])
t, p = stats.ttest_1samp(times, popmean=200)
print(t, p)

İki Örneklem t-Sınaması

ttest_ind, iki INDEPENDENT grubun mean değerlerini karşılaştırır; bu, standart A/B sınaması analizidir.

control = np.array([20, 22, 19, 24, 21])
treat = np.array([25, 27, 24, 29, 26])
t, p = stats.ttest_ind(control, treat)
print(t, p)   # small p -> groups differ

Sonucu Yorumlama

p-değerini alfa ile karşılaştırın ve sonucu açık bir dille ifade edin. Anlamlılık, kesinliğin kanıtı değil, bir karardır.

alpha = 0.05
if p < alpha:
    print("Reject H0: the groups differ significantly")
else:
    print("Fail to reject H0: no significant difference")

Ki-Kare Bağımsızlık Sınaması

chi2_contingency, iki CATEGORICAL değişkenin, sayılardan oluşan bir çapraz tablo kullanarak ilişkili olup olmadığını sınar.

table = np.array([[30, 10], [20, 40]])   # rows: group, cols: outcome
chi2, p, dof, expected = stats.chi2_contingency(table)
print(chi2, p)

Tip I ve Tip II Hatalar

Bir Tip I hatası (yanlış pozitif), doğru olan bir H0'ı reddeder; oranı alfadır. Bir Tip II hatası (yanlış negatif), yanlış olan bir H0'ı reddedemez; oranı betadır. Güç = 1 - beta, gerçek bir etkiyi saptama olasılığıdır.

Ödünleşimler

Alfayı düşürmek yanlış pozitifleri azaltır, ancak yanlış negatif oranını artırır (gücü düşürür). Daha büyük örneklemler her iki hata türünü de azaltır; bu nedenle bir deneyden önce örneklem büyüklüğünü planlamak önemlidir.

Hızlı Kontrol

Hipotez sınaması bilginizi sınayın.

Özet

Hipotez sınamasının temel unsurları:

H0 (etki yok) ve H1 (etki var); H0'a karşı kanıt toplayın
p-değeri = P(veri bu kadar uç | H0); p < alfa ise reddedin
p, P(H0 doğru) DEĞİLDİR ve etki büyüklüğü DEĞİLDİR
ttest_1samp, ttest_ind, chi2_contingency
Tip I (yanlış pozitif, oranı alfa) ve Tip II (yanlış negatif, oranı beta); güç = 1-beta

Sıkça Sorulan Sorular