皮尔逊相关度评价

zoukankan html css js c++ java

皮尔逊相关度评价

1、用在数据不是很规范的时候

2、最佳拟合线

3、夸大分值

4、皮尔逊积差系数

数学特征

$\rho_{X,Y}={\mathrm{cov}(X,Y) \over \sigma_X \sigma_Y} ={E((X-\mu_X)(Y-\mu_Y)) \over \sigma_X\sigma_Y},$

其中，E是数学期望，cov表示协方差， $\sigma_X$ 和 $\sigma_Y$ 是标准差。

因为 $\mu_X = E(X)$ ， $\sigma_X^2 = E(X^2) - E^2(X)$ ，同样地，对于 $Y$ ，可以写成

$\rho_{X,Y}=\frac{E(XY)-E(X)E(Y)}{\sqrt{E(X^2)-E^2(X)}~\sqrt{E(Y^2)-E^2(Y)}}.$

当两个变量的标准差都不为零，相关系数才有定义。从柯西-施瓦茨不等式可知，相关系数的绝对值不超过1。当两个变量的线性关系增强时，相关系数趋于1或-1。当一个变量增加而另一变量也增加时，相关系数大于0。当一个变量的增加而另一变量减少时，相关系数小于0。当两个变量独立时，相关系数为0.但反之并不成立。这是因为相关系数仅仅反映了两个变量之间是否线性相关。比如说，X是区间［－１，１］上的一个均匀分布的随机变量。Y = X². 那么Y是完全由X确定。因此Y 和X是不独立的。但是相关系数为0。或者说他们是不相关的。当Y 和X服从联合正态分布时，其相互独立和不相关是等价的。

当一个或两个变量带有测量误差时，他们的相关性就受到削弱，这时，“反衰减”性（disattenuation）是一个更准确的系数。

3：python的实现：

总结：

皮尔逊相关是对用户对相同的物品的喜欢程度，必需求出用户的共同物品，已经分别的和，按照公式就可以算出r

查看全文

相关阅读:
Docker安装nexus
docker常用操作备忘
 react-01
SBT实操指南
 Play中JSON序列化
 SPARK安装一：Windows下VirtualBox安装CentOS
SPARK安装三：SPARK集群部署
 SPARK安装二：HADOOP集群部署
 SLICK基础
 函数式编程

原文地址：https://www.cnblogs.com/ixiaoge/p/3604009.html

皮尔逊相关度评价

数学特征