Количественная оценка линейных зависимостей

Введение в линейное моделирование на Python

Jason Vestuto

Data Scientist

Предварительная визуализация

3 панели, 3 диаграммы рассеяния, от сильной до нулевой корреляции слева направо

# 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)

График распределений Гаусса, колоколообразные кривые с разными центрами, высотой и шириной

График распределений Гаусса, колоколообразные кривые, обе центрированы на нуле, одинаковой высоты и ширины

6 панелей, 2 строки по 3 столбца, диаграммы рассеяния, корреляция убывает слева направо

Введение в линейное моделирование на Python