Hiệp phương sai là gì? . Có những khả năng nhất định
Cov[xi, xj] = 0 thì các biến không tương quan với nhau
Cov[xi, xj] > 0 thì các biến có tương quan thuận
Cov[xi, xj] >< 0 thì các biến tương quan nghịch
Bước 1 - Nhập thư viện
________số 8Bước 2 - Lấy dữ liệu mẫu
Sample_data = np.array[[[11,20,35],[40,58,64],[71,87,96]]] print["This is Sample array:","\n",Sample_data]
This is Sample array: [[11 20 35] [40 58 64] [71 87 96]]
Bước 3 - In kết quả
The Covariance of Sample data: [[147. 138. 146.5 ] [138. 156. 157. ] [146.5 157. 160.33333333]]0
The Covariance of Sample data: [[147. 138. 146.5 ] [138. 156. 157. ] [146.5 157. 160.33333333]]
Mối quan hệ có cấu trúc trong một ma trận các biến ngẫu nhiên được phân tách bằng công cụ cung cấp bởi ma trận hiệp phương sai. Nó được sử dụng để giải mã các biến và được thực hiện như một phép biến đổi sang các biến khác. Nó được gọi là yếu tố chính được sử dụng trong PCA [Phân tích thành phần chính]
Bây giờ, chúng ta lấy một ví dụ về hai vectơ 9 phần tử và tính ma trận hiệp phương sai thẳng
Ví dụ
2.01
đầu ra
2.02
Phần kết luận
Trong bài viết trên, chúng ta đã tìm hiểu về hiệp phương sai trong Python, nhờ đó chúng ta có thể xác định sự khác biệt giữa các biến
Mảng 1-D hoặc 2-D chứa nhiều biến và quan sát. Mỗi hàng của m đại diện cho một biến và mỗi cột là một quan sát duy nhất của tất cả các biến đó. Cũng xem rowvar bên dưới
y array_like, tùy chọnMột tập hợp các biến và quan sát bổ sung. y có cùng dạng với m
rowvar bool, tùy chọnNếu rowvar là True [mặc định], thì mỗi hàng đại diện cho một biến, với các quan sát trong các cột. Nếu không, mối quan hệ được chuyển đổi. mỗi cột đại diện cho một biến, trong khi các hàng chứa các quan sát
độ lệch bool, tùy chọnChuẩn hóa mặc định [Sai] là bởi
The Covariance of Sample data: [[147. 138. 146.5 ] [138. 156. 157. ] [146.5 157. 160.33333333]]1, trong đó
The Covariance of Sample data: [[147. 138. 146.5 ] [138. 156. 157. ] [146.5 157. 160.33333333]]2 là số lượng quan sát đã cho [ước tính không chệch]. Nếu độ lệch là Đúng, thì quá trình chuẩn hóa là bằng
The Covariance of Sample data: [[147. 138. 146.5 ] [138. 156. 157. ] [146.5 157. 160.33333333]]2. Các giá trị này có thể được ghi đè bằng cách sử dụng từ khóa
The Covariance of Sample data: [[147. 138. 146.5 ] [138. 156. 157. ] [146.5 157. 160.33333333]]4 trong các phiên bản gọn gàng >= 1. 5ddof int, tùy chọn
Nếu không phải là
The Covariance of Sample data: [[147. 138. 146.5 ] [138. 156. 157. ] [146.5 157. 160.33333333]]5, giá trị mặc định do độ lệch ngụ ý sẽ bị ghi đè. Lưu ý rằng
The Covariance of Sample data: [[147. 138. 146.5 ] [138. 156. 157. ] [146.5 157. 160.33333333]]6 sẽ trả về ước tính không chệch, ngay cả khi cả fweights và aweights được chỉ định và
>>> x = np.array[[[0, 2], [1, 1], [2, 0]]].T >>> x array[[[0, 1, 2], [2, 1, 0]]]0 sẽ trả về giá trị trung bình đơn giản. Xem ghi chú để biết chi tiết. Giá trị mặc định là
The Covariance of Sample data: [[147. 138. 146.5 ] [138. 156. 157. ] [146.5 157. 160.33333333]]5
Mới trong phiên bản 1. 5
Mảng 1-D của các trọng số tần số nguyên;
Mới trong phiên bản 1. 10
aweights array_like, tùy chọnMảng 1-D của trọng số vectơ quan sát. Các trọng số tương đối này thường lớn đối với các quan sát được coi là “quan trọng” và nhỏ hơn đối với các quan sát được coi là ít “quan trọng” hơn. Nếu
>>> x = np.array[[[0, 2], [1, 1], [2, 0]]].T >>> x array[[[0, 1, 2], [2, 1, 0]]]0, mảng trọng số có thể được sử dụng để gán xác suất cho các vectơ quan sát
Mới trong phiên bản 1. 10
dtype kiểu dữ liệu, tùy chọnKiểu dữ liệu của kết quả. Theo mặc định, kiểu dữ liệu trả về sẽ có độ chính xác ít nhất
Mới trong phiên bản 1. 20
Trả về . ra ndarrayMa trận hiệp phương sai của các biến
Xem thêm
Ma trận hiệp phương sai chuẩn hóa
ghi chú
Giả sử rằng các quan sát nằm trong các cột của mảng quan sát m và đặt
>>> x = np.array[[[0, 2], [1, 1], [2, 0]]].T >>> x array[[[0, 1, 2], [2, 1, 0]]]5 và
>>> x = np.array[[[0, 2], [1, 1], [2, 0]]].T >>> x array[[[0, 1, 2], [2, 1, 0]]]6 cho ngắn gọn. Các bước để tính toán hiệp phương sai có trọng số như sau