机器学习笔记--1.4特征间的相关性

1.相关系数与相关距离from numpy import *featuremat = mat([[88.5, 96.8, 104.1, 111.3, 117.7, 124.0, 130.0, 135.4, 140.2, 145.3, 151.9, 159.5, 165.9, 169.8, 171.6, 172.3, 172.7], [12.54, 14.65, 16.64, 18.98, 21.2

CLBTH

498人浏览 · 2022-01-16 16:32:34

CLBTH · 2022-01-16 16:32:34 发布

1.相关系数与相关距离

from numpy import *
featuremat = mat([[88.5, 96.8, 104.1, 111.3, 117.7, 124.0, 130.0, 135.4, 140.2, 145.3, 151.9, 159.5, 165.9, 169.8, 171.6, 172.3, 172.7], [12.54, 14.65, 16.64, 18.98, 21.26, 24.06, 27.33, 30.46, 33.74, 37.69, 42.49, 48.08, 53.37, 57.08, 59.35, 60.68, 61.40]])
#计算均值
mv1 = mean(featuremat[0])    #第一列的均值
mv2 = mean(featuremat[1])    #第二列的均值
#计算两列标准差
dv1 = std(featuremat[0])
dv2 = std(featuremat[1])
corref = mean(multiply(featuremat[0] - mv1, featuremat[1] - mv2)) / (dv1 * dv2)
print(corref)
#使用Numpy相关系数得到相关系数矩阵
print(corref(featuremat))

2.马氏距离

from numpy import *
featuremat = mat([[88.5, 96.8, 104.1, 111.3, 117.7, 124.0, 130.0, 135.4, 140.2, 145.3, 151.9, 159.5, 165.9, 169.8, 171.6, 172.3, 172.7], [12.54, 14.65, 16.64, 18.98, 21.26, 24.06, 27.33, 30.46, 33.74, 37.69, 42.49, 48.08, 53.37, 57.08, 59.35, 60.68, 61.40]])
covinv = linalg.inv(cov(featuremat))    #协方差
tp = featuremat.T[0] - featuremat.T[1]
distma = sqrt(dot(dot(tp, covinv), tp.T))
print(distma)

输出结果：

[[0.92966634]]

魔乐社区

魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。

更多推荐

从理论到SAS实操：医学统计学高频考点思维导图（含结果解读模板）

本文针对医学统计学学习与应用的痛点，提供了一套从理论到SAS实操的完整解决方案。通过高频考点思维导图，系统梳理了假设检验、线性回归、生存分析和诊断试验评价四大核心模块的逻辑框架与SAS代码实现，并附有可直接套用的结果解读模板，助力医学生和研究者高效掌握数据分析与报告撰写技能。

魔乐社区

解决Dbeaver连接人大金仓的常见问题：JDBC驱动配置避坑指南

本文详细解析了使用Dbeaver连接人大金仓数据库时常见的JDBC驱动配置问题。针对驱动类名、URL模板、默认端口等关键配置项，提供了精确的填写指南和验证方法，并重点阐述了如何通过Maven仓库或官方渠道正确获取驱动库文件，以彻底解决“ClassNotFoundException”等典型连接失败错误。