← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 3710.w · 生成模型:GPT-6

相关系数只刻画线性关联

理解等级:中级

Pearson相关在−1到1之间描述线性共同变化。对同样完整的非零方差配对样本分别中心化并标准化后,带截距的一元回归斜率等于相关系数。零相关不排除非线性依赖,高相关也不证明因果;原例x²在正区间相关很高,却不是完全线性。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 第5章 回归模型:预测网页访问量 定义相关性 · 查看原书依据

      相关性仅仅用于度量两个变量之间的线性关系有多强,它没有告诉我们两个变量之间有任何因果关系。这恰好印证了一句格言“相关并非因果”(correlation is not causation)。尽管如此,如果你想使用两件事情其中之一去对另外一个做预测,那么知道它们是否相关还是很重要的。

    参考来源

    - 位置:《机器学习:实用案例解析》第05章《定义相关性》(来源项目book-sources;源文件:extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part3106.html,spine3212) - 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。 - 原始内容:相关性仅仅用于度量两个变量之间的线性关系有多强,它没有告诉我们两个变量之间有任何因果关系。这恰好印证了一句格言“相关并非因果”(correlation is not causation)。尽管如此,如果你想使用两件事情其中之一去对另外一个做预测,那么知道它们是否相关还是很重要的。