知识卡片
多维先看相关矩阵
维度一多,逐个配对看散点不现实。相关矩阵把每对维度的相关系数排成方阵,第 i 行第 j 列就是第 i 与第 j 个维度的相关性,一眼能找到“谁和谁一起动”,也能识别冗余维度——相关接近 ±1 的几列携带的信息高度重叠,是降维与特征筛选的线索。更直观的是散点图矩阵:用 subplots 画 n×n 网格,非对角放两两散点,对角写序列名,并隐藏重复的坐标轴标签。书中的例子里,一眼就看出序列 1 与 0 强负相关、序列 2 与 1 强正相关,序列 3 只取 0 和 6 两个值且与序列 2 同步。两者都只是粗略的筛子,用来决定下一步细看哪几对。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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10章 数据工作 · 查看原书依据
查看散点图,可以发现序列 1 与序列 0 负相关程度很高,序列 2 与序列 1 正相关程度很高,序列 3 的值只有 0 和 6,并且 0 对应于序列 2 中较小的值,6 对应于较大的值。 这是一种了解变量间粗略相关性的快捷方式。
参考来源
- 位置:《数据科学入门(第2版)》第10章 数据工作(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0014.xhtml)
- 结论依据:原文这一段直接给出本卡的核心判断:「查看散点图,可以发现序列 1 与序列 0 负相关程度很高,序列 2 与序列 1 ……」
- 原始内容:查看散点图,可以发现序列 1 与序列 0 负相关程度很高,序列 2 与序列 1 正相关程度很高,序列 3 的值只有 0 和 6,并且 0 对应于序列 2 中较小的值,6 对应于较大的值。 这是一种了解变量间粗略相关性的快捷方式。