Kvantifiera linjära samband

Introduktion till linjär modellering i Python

Jason Vestuto

Data Scientist

Förvisualisering

3-panelsfigur, 3 spridningsdiagram, stark till noll korrelation, vänster till höger

# 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)

Diagram över gaussfördelningar, klockformade, med olika centrum, höjder och bredder

Diagram över gaussfördelningar, klockformade, båda centrerade kring noll, med samma höjd och bredd

6-panelsfigur, 2 rader med 3 kolumner, spridningsdiagram, starkare till svagare korrelation från vänster till höger

Introduktion till linjär modellering i Python