相關的型別：
相關型別散點圖
(1)相關係數工用於測量相關性的強度,它的取值範圍是-1~1
(2)如果不相關,點的分布就不會以直線模式上公升或下降的值接近於0
(3)如果是正相關,相關係數就是正數(0
正相關是正數、負相關是負數、不相關趨近於零
相關的可能解釋
相關是偶然的。
兩個相關變數可能直接受到一些潛在因素的影響。
乙個變數是另乙個變數的原因。但是要注意,即便如此,它也許只是眾多原因中的乙個
最佳擬合線：散點圖中的最佳擬合線（或回歸直線),是指比其他擬合線更優的直線(根據嚴謹的標準統計派量,所有的點都更接近這條直線。
利用最佳擬合線進行**時的注意事項：
如果關係不強或是資料量不足,用最佳擬合線**的效果就不會太好。如果所有的點都落在最佳擬合線跗近、相關性非常強、**也會因此而非常準確。如果有大量的樣本點遠離最佳擬合線相關性非常弱、**的結果也會不太準確
不要使用最佳擬合線對超出資料範圍的點進行**
一條由過去資料得到的最佳擬合線對現在和未來的**都是無效的
不要對與樣本所在總體不同的總體進行**
當相關性不顯著或呈現非線性關係時擬合的線沒有意義
最佳擬合線和
相關係數的平方(
利用多元回歸以計算乙個變數(如**)和兩個或兩個以上變數的組合變數(如重量和顏色)之間擬合的最佳方程。判定係數(r^2)告訴我們最佳擬合方程可以解釋的散點資料的比率
y = mx + b
斜率 = m = r * sy/sx
截距 = b = y^- m * x^-
建立因果關係的指導原則:
如果你懷疑某一特定的變數(被懷疑的原因)對其他變數產生了一些影響:
尋找對被懷疑變數產生影響的那些變數,此時我們並不
關心其他因素變化與否。
在被懷疑變數存在或剔除後有不同變化的變數中,核實被懷疑的變數剔除與否對這些變數的影響是否相同。
尋找大量的被懷疑變數產生眾多影響的證據。
如果影響由其他潛在的原因引起(你懷疑之外的原因),確保在解釋了其他潛在的原因之後,影響依然存在。
如有可能,通過實驗研究測試被懷疑的原因。如果由於道德原因實驗不能夠模擬的話,考慮用動物、細胞培養物或計算機模型進行實驗。
試判斷由被懷疑變數產生影響的物理機制
因果關係的置信水平:
可能的原因：我們已經討論了相關性,但是不能確定相關性之中是否蘊含著因果關係。在法律體系中,可能的原因(例如認為乙個嫌疑人可能犯罪了)經常成為開始一項調查的原因。
合理的根據：我們有足夠的理由去懷疑相關包含因果關係,可能是因為符合一些建立因果關係的原則。在法律體系中,合理的根據會成為法官批准逮捕令或合法竊聽的一般標準
排除合理懷疑：我們已經找到合理解釋一件事情影響另一件事情的實體模型,懷疑這個因果關係是不合理的。
在法律體系中,排除合理懷疑是定罪的一般標準,並且要在陳述中展示嫌疑人是如何以及為什麼犯罪。排除合理懷疑並不意味著排除一切懷疑
統計學相關假設性檢驗
統計學相關 假設性檢驗 假設性檢驗 某件事情發生的可能性大 大到超出一定的範圍 判定為不太可能發生的情況 第一步，提出假設h0 這個是靶子，要否定掉的 ha 這個是要接受的，模糊地理解為成立就好 h0 ha代表所有要包含的情況 單尾的假設性檢驗假設現在進入單尾的假設情況 這裡假設我的身高 等號放在要...
統計獨立性和統計相關性
在隨機訊號分析中，不相關 正交 統計獨立等是非常重要的，這裡進一步討論各自的嚴格概念和相互關係。當兩個隨機過程保持統計獨立時，它們必然是不相關的，但反過來則不一定成立，即不相關的兩個隨機過程不一定能保持統計獨立，唯有在高斯隨機過程中才是例外。這就是說，從統計角度看，保持統計獨立的條件要比不相關還要嚴...
統計學與統計機器學習2 離散型資料的相關性
在很多機器學習任務中，特徵並不總是連續值，而有可能是分類值。可將分類值轉化為數字表示，但是，即使轉化為數字表示後，此類資料也不能直接用在我們的分類器中。因為，分類器往往預設資料是連續的，並且是有序的。但是，單純的將分類值轉換為數字得到的資料並不是有序的，而是隨機分配的。為解決上述問題，其中一種可能的...