教育培训机构怎么建设网站,亿寻跨境外贸人才网,东莞松山湖东华医院,网站上传该怎么做一、前言 前面的几篇博客我们学习了分类算法#xff0c;今天我们来了解一下回归类的算法吧。首先我们来谈谈两者有什么区别#xff0c;首先是我们在之前的分类算法#xff0c;这类算法可以将让我们学会如何将不同的数据划分到不同的类里面#xff0c;输出的是一些离散的值。…一、前言 前面的几篇博客我们学习了分类算法今天我们来了解一下回归类的算法吧。首先我们来谈谈两者有什么区别首先是我们在之前的分类算法这类算法可以将让我们学会如何将不同的数据划分到不同的类里面输出的是一些离散的值。而今天要学习的回归类算法是说经过算法的预测将我们得到的结果是一个连续的值其实是我们常说的函数关系。
二、相关关系
1概念 在谈回归函数关系之前先讲一讲相关关系因为回归是一种研究自变量x与因变量y之间的关系形式的分析方法。而谈到变量之间的关系就分成回归关系和相关关系两类。今天我们就先谈谈相关关系。
定义反映事物之间的非严格、不确定的线性依存关系。
特点①
事物之间存在的一种内在联系。即一个事物的数量改变可以引起另一个事物的对应数量发生改变。这其实好理解
特点②
事物之间的的这种依存关系是不确定的是有随机性的。比较明显的一点就是我们的自变量x可能对应对个因变量y这和我们的函数关系多个x可以对应一个y的情形是不一样的。这是因为影响y变化的因素不只是x,可能还有其他的因素。
2实现公式 三、相关关系实践
求一下数据的之间的相关关系 import numpy as np
import pandas as pdA [250, 360, 165, 43, 92, 200, 355, 290, 230, 120, 73, 205, 400, 320, 72, 272, 94, 190, 235, 139]
B [35, 29, 36, 60, 65, 30, 10, 70, 21, 55, 54, 48, 20, 39, 60, 20, 58, 40, 27, 30]
C [3, 4, 7, 6, 5, 5, 6, 10, 9, 2, 12, 5, 5, 4, 8, 5, 7, 8, 9, 7]
D [6, 10, 3, 9, 6, 5, 7, 10, 11, 5, 4, 1, 15, 7, 6, 8, 3, 11, 8, 5]df pd.DataFrame({取暖费: np.array(A), 温度: np.array(B), 厚度: np.array(C), 年数: np.array(D)})
# 显示分装好的数据
print(df)
# 显示所有数据之间的相关关系
print(df.corr())
# 显示键为温度的对应的数据之间的相关关系
print(df.corr()[u温度])
# 显示取暖费与温度之间的相似关系
print(df[u取暖费].corr(df[u温度]))效果 如上面的代码所示我们采用pandas库中的corr()方法就可以直接实现上面那个复杂关于相关性运算的公式
四、总结 博主也是初学者有很多不懂的地方如果有说错的地方欢迎大家指正。最后该内容是跟着B站up主【abilityjh】老师学习的大家可以去看该老师的视频学习
