Was Ist Korrelation?
Korrelation ist ein statistisches Maß, das die Beziehung zwischen zwei Variablen quantifiziert. Es wird als skalierte Kovariation bestimmt und aufgrund dieser Skalierung können wir die Stärke der Abhängigkeiten zusätzlich zu ihrer Richtung ermitteln.
Die Korrelation liegt im Bereich von -1
bis 1
, wobei:
- Wenn die Korrelation
+1
beträgt, haben die Werte eine perfekte positive lineare Beziehung. Wenn eine Variable zunimmt, nimmt die andere proportional zu; - Wenn die Korrelation
-1
beträgt, haben die Werte eine perfekte negative lineare Beziehung. Wenn eine Variable zunimmt, nimmt die andere proportional ab; - Wenn der Korrelationskoeffizient nahe
0
liegt, besteht keine lineare Beziehung zwischen den Variablen.
Um die Korrelation zu berechnen, können wir die gleichen Schritte wie bei der Berechnung der Kovarianz anwenden und np.corrcoef(x, y)[0, 1]
verwenden.
123456789101112131415161718192021222324252627import matplotlib.pyplot as plt import numpy as np # Create a figure with three subplots fig, axes = plt.subplots(1, 3) fig.set_size_inches(10, 5) # Positive linear dependence x = np.random.rand(100) * 10 # Generate random x values y = x + np.random.randn(100) # Generate y values with added noise axes[0].scatter(x, y) # Scatter plot of x and y axes[0].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) )) # Set title with correlation coefficient # Negative linear dependence x = np.random.rand(100) * 10 # Generate random x values y = -x + np.random.randn(100) # Generate y values with added noise axes[1].scatter(x, y) # Scatter plot of x and y axes[1].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) )) # Set title with correlation coefficient # Independent np.random.seed(0) # Set random seed for reproducibility x = np.random.rand(200) # Generate random x values y = np.random.rand(200) # Generate random y values axes[2].scatter(x, y) # Scatter plot of x and y axes[2].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) )) # Set title with correlation coefficient plt.show() # Display the plot
Danke für Ihr Feedback!
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Awesome!
Completion rate improved to 3.85
Was Ist Korrelation?
Swipe um das Menü anzuzeigen
Korrelation ist ein statistisches Maß, das die Beziehung zwischen zwei Variablen quantifiziert. Es wird als skalierte Kovariation bestimmt und aufgrund dieser Skalierung können wir die Stärke der Abhängigkeiten zusätzlich zu ihrer Richtung ermitteln.
Die Korrelation liegt im Bereich von -1
bis 1
, wobei:
- Wenn die Korrelation
+1
beträgt, haben die Werte eine perfekte positive lineare Beziehung. Wenn eine Variable zunimmt, nimmt die andere proportional zu; - Wenn die Korrelation
-1
beträgt, haben die Werte eine perfekte negative lineare Beziehung. Wenn eine Variable zunimmt, nimmt die andere proportional ab; - Wenn der Korrelationskoeffizient nahe
0
liegt, besteht keine lineare Beziehung zwischen den Variablen.
Um die Korrelation zu berechnen, können wir die gleichen Schritte wie bei der Berechnung der Kovarianz anwenden und np.corrcoef(x, y)[0, 1]
verwenden.
123456789101112131415161718192021222324252627import matplotlib.pyplot as plt import numpy as np # Create a figure with three subplots fig, axes = plt.subplots(1, 3) fig.set_size_inches(10, 5) # Positive linear dependence x = np.random.rand(100) * 10 # Generate random x values y = x + np.random.randn(100) # Generate y values with added noise axes[0].scatter(x, y) # Scatter plot of x and y axes[0].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) )) # Set title with correlation coefficient # Negative linear dependence x = np.random.rand(100) * 10 # Generate random x values y = -x + np.random.randn(100) # Generate y values with added noise axes[1].scatter(x, y) # Scatter plot of x and y axes[1].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) )) # Set title with correlation coefficient # Independent np.random.seed(0) # Set random seed for reproducibility x = np.random.rand(200) # Generate random x values y = np.random.rand(200) # Generate random y values axes[2].scatter(x, y) # Scatter plot of x and y axes[2].set_title('Correlation is '+ str(round(np.corrcoef(x, y)[0, 1], 3) )) # Set title with correlation coefficient plt.show() # Display the plot
Danke für Ihr Feedback!