协方差 的直观理解

1.协方差

方差是描述自身偏离其均值的程度。

协方差用来描述两个变量间的变化关系,协方差用来度量两个随机变量关系的统计量

[cov(X,Y)=E[(X-E[X])(Y-E[Y])] ]

[cov(X,Y)=E[(X-μ_x)(Y-μ_y)] ]

E[x] 代表期望，一般置X的均值

公式：如果有X,Y两个变量，每个时刻的“X值与其均值之差”乘以“Y值与其均值之差”得到一个乘积，再对这每时刻的乘积求和并求出均值

eg：比如有两个变量X,Y，观察t1-t7（7个时刻）他们的变化情况。

我们发现在每一个时刻，X-μ，和Y-μ 都是同号的，

如果是反向的：X-μ，和Y-μ 的乘积就是负号，

当然上面说的是两种特殊情况，很多时候X，Y的运动是不规律的，比如：

这种情况下很可能在某一个时刻 乘积是正，另外一个时刻乘积又为负数了，将每一个时刻的乘积加到一起，其中的正负会抵消，最后平均得出值就是协方差，通过协方差的大小，就可以判断两个变量同向或者反向的程度了。

总结一下，如果协方差为正，说明X，Y同向变化，协方差越大说明同向程度越高；如果协方差为负，说明X，Y反向运动，协方差越小说明反向程度越高。

拓展

如果同向变化，但是X大于均值，Y小于均值，那乘积是负数的。

可见t1时刻 X-μ，和Y-μ 负号相反，乘积为负。但是如果从整体来说依然要计算其他时间的值，然后在吧7个时间的值求均值，所以某一时刻的为负数不代表整体是反向的。要结合整体来判断。

相关系数

翻译一下：就是用X、Y的协方差除以X的标准差和Y的标准差。

所以，相关系数也可以看成协方差：一种剔除了两个变量量纲影响、标准化后的特殊协方差。

既然是一种特殊的协方差，那它：

1、也可以反映两个变量变化时是同向还是反向，如果同向变化就为正，反向变化就为负。

2、由于它是标准化后的协方差，因此更重要的特性来了：它消除了两个变量变化幅度的影响，而只是单纯反应两个变量每单位变化时的相似程度。

[ρ=frac{Cov(X,Y)}{δ_Xδ_Y} ]

首先，还是承接上文中的变量X、Y变化的示意图（X为红点，Y为绿点），来看两种情况：

很容易就可以看出以上两种情况X，Y都是同向变化的，而这个“同向变化”，有个非常显著特征：X、Y同向变化的过程，具有极高的相似度！无论第一还是第二种情况下，都是：t1时刻X、Y都大于均值，t2时刻X、Y都变小且小于均值，t3时刻X、Y继续变小且小于均值，t4时刻X、Y变大但仍小于均值，t5时刻X、Y变大且大于均值……

可是，计算一下他们的协方差，

协方差差出了一万倍，只能从两个协方差都是正数判断出两种情况下X、Y都是同向变化，但是，一点也看不出两种情况下X、Y的变化都具有相似性这一特点。

这是为什么呢？

因为以上两种情况下，在X、Y两个变量同向变化时，X变化的幅度不同，这样，两种情况的协方差更多的被变量的变化幅度所影响了

所以，为了能准确的研究两个变量在变化过程中的相似程度，我们就要把变化幅度对协方差的影响，从协方差中剔除掉。于是，相关系数就横空出世了，就有了最开始相关系数的公式：

那么为什么要通过除以标准差的方式来剔除变化幅度的影响呢？咱们简单从标准差公式看一下：

[δ_X=sqrt{E((X-μ_x)^2)} ]

从公式可以看出，标准差计算方法为，每一时刻变量值与变量均值之差再平方，求得一个数值，再将每一时刻这个数值相加后求平均，再开方。

为何要做平方呢，因为有时候变化值和均值是反向偏离的X-μ是一个负数，平方后就可以吧负号消除，最后求出每次变化偏离均值的情况。刚才为了消除负号问题加了平方，最后需要开方，将数值再返回到原有的量级，

所以标准差描述了变量在整体变化过程中偏离均值的幅度。协方差除以标准差，也就是把协方差中变量变化幅度对协方差的影响剔除掉，这样协方差也就标准化了，它反应的就是两个变量每单位变化时的情况。这也就是相关系数的公式含义了。

相关系数是协方差除以标准差，当X,Y的波动幅度变大的时候，协方差变大，标准差也会变大，相关系数的分母都变大，其实变化的趋势是可以抵消的，协方差的取值范围是 正无穷到负无穷，相关系数则是+1 到-1之间。

当他们的相关系数为1时，说明两个变量变化时的正向相似度最大，即，你变大一倍，我也变大一倍；你变小一倍，我也变小一倍。也即是完全正相关（以X、Y为横纵坐标轴，可以画出一条斜率为正数的直线，所以X、Y是线性关系的）

随着他们相关系数减小，两个变量变化时的相似度也变小，当相关系数为0时，两个变量的变化过程没有任何相似度，也即两个变量无关。

当相关系数继续变小，小于0时，两个变量开始出现反向的相似度，随着相关系数继续变小，反向相似度会逐渐变大。

当相关系数为－1时，说明两个变量变化的反向相似度最大，即，你变大一倍，我变小一倍；你变小一倍，我变大一倍。也即是完全负相关（以X、Y为横纵坐标轴，可以画出一条斜率为负数的直线，所以X、Y也是线性关系的）。

协方差矩阵

对于多维度数据通过协方差矩阵描述各个维度间的变换关系，而不是各个样本的之间的关系，对角线上是方差，非对角线是协方差；协方差为0时两者独立，其绝对值越大，两者对彼此的影响越大。

[C=egin{pmatrix} cov(x,x)& cov(x,y)& cov(x,z)\ cov(y,x)& cov(y,y)& cov(y,z)\ cov(z,x)& cov(z,y)& cov(z,z) end{pmatrix} ]

可见，协方差矩阵是一个对称的矩阵，而且对角线是各个维度上的方差。

理解协方差矩阵的关键就在于牢记它计算的是不同维度之间的协方差，而不是不同样本之间，拿到一个样本矩阵，我们最先要明确的就是一行是一个样本还是一个维度，心中明确这个整个计算过程.