Modèles
Configurez un endpoint compatible OpenAI ou Anthropic avec son URL de base et une clé API si nécessaire. Testez la connexion. Un serveur local doit fonctionner ; les outils distants peuvent transmettre des données séparément.
Espace de développement avec IA
Écart absolu médian non normalisé
Renvoyez la médiane et l’écart absolu médian non normalisé de 1–4096 nombres finis bornés à ±10^100.
● ● ●MedianRove●
Méthodes de travail · Écart absolu médian non normalisé ×
import math
def median_deviation(values):
if type(values) is not list or not 1 <= len(values) <= 4096:
raise ValueError("mad.input")
if any(type(x) not in (int, float) or not -10**100 <= x <= 10**100 or not math.isfinite(x) for x in values):
raise ValueError("mad.value")
def median(items):
ordered = sorted(items)
n = len(ordered)
return float(ordered[n//2]) if n % 2 else ordered[n//2-1]/2+ordered[n//2]/2
center = median(values)
return center, median([abs(x-center) for x in values])
✳Écart absolu médian non normalisé
✓ ModificationsVérifiez avant d’appliquer ↗
Illustration de l’espace de travail
Projet
Testez les longueurs paires, les valeurs égales et une valeur aberrante, en rejetant booléens et valeurs non finies sans changer l’ordre initial.
Vérifiez avant d’appliquer
Comparez le comportement observé au résultat attendu. Si une vérification échoue, cherchez la cause avant de poursuivre les modifications.
Méthodes de travail
import math
def median_deviation(values):
if type(values) is not list or not 1 <= len(values) <= 4096:
raise ValueError("mad.input")
if any(type(x) not in (int, float) or not -10**100 <= x <= 10**100 or not math.isfinite(x) for x in values):
raise ValueError("mad.value")
def median(items):
ordered = sorted(items)
n = len(ordered)
return float(ordered[n//2]) if n % 2 else ordered[n//2-1]/2+ordered[n//2]/2
center = median(values)
return center, median([abs(x-center) for x in values])
Faites renvoyer aux fonctions statistiques la grandeur voulue
Deux fonctions peuvent prétendre mesurer la dispersion tout en renvoyant des grandeurs de sens différents. MedianRove est un logiciel de programmation avec IA pour Windows permettant d’examiner ces distinctions dans votre projet. Ajoutez la fonction auxiliaire, l’appelant et un petit jeu de données de référence à la conversation pour qu’une modification proposée préserve la statistique réellement utilisée par l’application.
Une tâche pratique consiste à examiner un calcul d’écart absolu médian non mis à l’échelle. Demandez au modèle connecté d’examiner la convention de médiane des entrées de longueur paire et le traitement d’une valeur aberrante. Précisez si une mise à l’échelle intervient ailleurs dans l’application, afin que l’examen n’introduise pas silencieusement une autre sortie sous le même nom de fonction.
Suivez le résultat jusqu’à l’affichage, aux seuils ou aux enregistrements stockés. Une modification numérique peut affecter des décisions au-delà de la fonction auxiliaire même si son type de retour ne change pas. Examinez les contrôles de finitude et la plage de tailles acceptée, puis exécutez des jeux d’essai vérifiés indépendamment dans votre environnement. Incluez une vérification de l’ordre d’entrée si l’appelant attend que sa collection initiale reste intacte.
MedianRove se connecte à des points de terminaison compatibles OpenAI ou Anthropic pris en charge. Un modèle d’IA ablitérée peut être sélectionné lorsque votre service en propose un ; comportement et outils pris en charge dépendent du modèle et du serveur. Ses explications soutiennent l’examen ; vos attentes sur les données et les tests du projet déterminent si le correctif convient.
Renvoyer la grandeur statistique voulue : questions avant modification
Pourquoi préciser un écart non mis à l’échelle dans la demande ?
La mise à l’échelle change la grandeur renvoyée et peut affecter les seuils en aval. Précisez la statistique promise par la fonction auxiliaire et recherchez d’autres transformations dans les appelants. Une refactorisation ne doit pas changer discrètement l’interprétation en conservant le même nom.
Quel jeu de données rend concrète la discussion d’une valeur aberrante ?
Utilisez un petit ensemble avec un groupe central clair et une valeur éloignée, ainsi qu’une médiane et un écart calculés indépendamment. Ajoutez un cas de longueur paire pour révéler la convention de médiane. Ne vous fiez pas uniquement à des données aléatoires.
Faut-il autoriser le tri à modifier l’entrée ?
Explicitez cette règle de propriété. Si les appelants réutilisent l’ordre initial, un tri sur place peut créer un défaut sans rapport. Examinez l’implémentation et vérifiez l’entrée après exécution autant que la statistique renvoyée.
Quelles valeurs invalides examiner ?
Utilisez le contrat déclaré de type, de taille et de nombres finis de la fonction auxiliaire. Demandez au modèle de préserver ou de réviser délibérément chaque limite, puis testez le rejet et sa gestion par l’appelant. Ne supposez pas qu’une statistique plausible rend acceptable une entrée mal formée.
MedianRove · Mis à jour 2026-10-25