Kwantyfikowanie zależności liniowych

Wprowadzenie do modelowania liniowego w Pythonie

Jason Vestuto

Data Scientist

Wstępna wizualizacja

Figura 3-panelowa, 3 wykresy punktowe, od silnej do zerowej korelacji, od lewej do prawej

# 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)

Wykres rozkładów gaussowskich, kształt dzwona, o różnych środkach, wysokościach i szerokościach

Wykres rozkładów gaussowskich, kształt dzwona, oba wyśrodkowane na zerze, o tej samej wysokości i szerokości

Figura 6-panelowa, 2 wiersze po 3 kolumny, wykresy punktowe, silniejsza do słabszej korelacji od lewej do prawej

Wprowadzenie do modelowania liniowego w Pythonie