Quantificare le relazioni lineari

Introduzione alla modellazione lineare in Python

Jason Vestuto

Data Scientist

Pre-visualizzazione

Figura a 3 pannelli, 3 scatter plot, correlazione da forte a zero, da sinistra a destra

# 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)

Grafico di distribuzioni gaussiane, a campana, con centri, altezze e larghezze diverse

Grafico di distribuzioni gaussiane, a campana, entrambe centrate su zero, con stessa altezza e larghezza

Figura a 6 pannelli, 2 righe x 3 colonne, scatter plot, correlazione da più forte a più debole da sinistra a destra

Introduzione alla modellazione lineare in Python