知识卡片
相关系数配合散点图
皮尔逊相关系数测量线性关联强度。相似的相关系数可能对应不同的散点形状,因此建线性基线时应同时看残差和散点。房价示例里 LSTAT 的相关绝对值略高,但关系形状更弯曲,作者选了更接近直线的房间数建模。
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
- · 第4章 回归算法
原书出处 · 1 处
- 回归算法 4.2.1 · 查看原书依据
AT和MEDV之间存在着明显的非线性关系;而特征RM和标记MEDV也具有较高的相关性0.70,并且从散点矩阵中会发现特征RM和标记MEDV之间存在着线性关系。因此接下来将使用RM作为线性回归模型的特征。
参考来源
- 位置:《AI制胜:机器学习极简入门》第4章 回归算法 §4.2.1(来源项目 book-source:extracted/AI制胜:机器学习极简入门/_epub-src/OEBPS/Text/chapter4.xhtml#isbn9787302555513_4_1_1_4)
- 结论依据:书中共同使用热力图与散点图比较模型输入。
- 原始内容:AT和MEDV之间存在着明显的非线性关系;而特征RM和标记MEDV也具有较高的相关性0.70,并且从散点矩阵中会发现特征RM和标记MEDV之间存在着线性关系。因此接下来将使用RM作为线性回归模型的特征。