Hiệp phương sai trong Python là gì?

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 8

Bước 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

2.0

1

đầu ra

2.0

2

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 chọn

Một tập hợp các biến và quan sát bổ sung. y có cùng dạng với m

rowvar bool, tùy chọn

Nếu 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 chọn

Chuẩn 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. 5

ddof 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

trọng số mảng_like, int, tùy chọn

Mảng 1-D của các trọng số tần số nguyên;

Mới trong phiên bản 1. 10

aweights array_like, tùy chọn

Mảng 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 chọn

Kiểu 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 ndarray

Ma 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

Biến số trong Python là gì?

Tương quan và hiệp phương sai trong Python là gì?

Hiệp phương sai cho bạn biết điều gì?

Ý nghĩa của hiệp phương sai trong học máy là gì?