Quantificando relações lineares

Introdução à Modelagem Linear em Python

Jason Vestuto

Data Scientist

Pré-visualização

Figura com 3 painéis, 3 dispersões, correlação forte a zero, da esquerda para a direita

# Mean
mean = sum(x)/len(x)

# Deviation, sometimes called "centering"
dx = x - np.mean(x)

# Variance
variance = np.mean(dx*dx)

# Standard Deviation
stdev = np.sqrt(variance)

# Deviations of two variables
dx = x - np.mean(x)
dy = y - np.mean(y)

# Co-vary means to vary together
deviation_products = dx*dy

# Covariance as the mean
covariance = np.mean(dx*dy)

# Divide deviations by standard deviation 
zx = dx/np.std(x)
zy = dy/np.std(y)

# Mean of the normalize deviations
correlation = np.mean(zx*zy)

Gráfico de distribuições gaussianas, em forma de sino, com centros, alturas e larguras diferentes

Gráfico de distribuições gaussianas, em forma de sino, ambas centradas em zero, com mesma altura e largura

$Figura com 6 painéis, 2 linhas por 3 colunas, dispersões, correlação mais forte a mais fraca da esquerda para a direita$

Introdução à Modelagem Linear em Python