线性相关系数、卡方检验、互信息
线性相关系数、卡方检验、互信息
- 线性相关系数卡方检验互信息
- 线性相关系数
- 卡方检验
- 互信息
- 总结
相信大家在数据挖掘的很多地方大家都看到这三个概念,比如说线性拟合的时候,看线性相关系数来评估拟合程度;在特征工程中,这三个都是filter类方法之一(过滤型)。那今天给大家总结下这三个概念,个人才疏学浅,有啥问题还请大家批评指正。
线性相关系数
也叫Pearson相 关 系 数, 主要衡量两个变量线性相关的程度,由卡尔·皮尔森1880年提出。它的公式为
其中X¯¯¯\overline{X}是XX的平均值,Y¯¯¯\overline{Y}是YY的平均值。rr的取值[-1,1]。越接近1,表示XXYY越相关,其中负数表示负相关。
需要特别注意的是:
1. 线性相关系数必须建立在因变量与自变量是线性的关系基础上,否则线性相关系数是无意义的。实例可以参看博文。
2. 从公式中可以看出,如果只有一个数据,分母为0,线性相关系数也是无意义的。其实少量数据量,计算线性相关性也是无意义的(怎么画那条直线呢)。
因此,建议在给出线性相关系数之前,画图展示下数据的分布。
线性相关系数python代码实现
import sys
import re
import math
def matrix_multiply(x, y):fxy = 0.0for i in range(len(x)):fxy = fxy + x[i]*y[i]return fxy;def compute_pearson_correlation_coefficient(x_label, y_label):no = len(x_label);sum_x = sum(x_label)sum_y = sum(y_label);fxy = matrix_multiply(x_label, y_label);fx2 = sum([pow(i,2) for i in x_label])fy2 = sum([pow(j,2) for j in y_label])#分子numerator = no*fxy - float(sum_x)*float(sum_y);#分母denominator = math.sqrt((no*fx2-float(sum_x**2))*(no*fy2-float(sum_y**2)))return numerator*1.0/denominator
计算示例为,计算月月销售额跟广告投入的关系:
卡方检验
卡方检验(chi-square test),也叫作χ2\chi ^{2}检验。卡方检验有多种方法,最著名的就是皮尔逊卡方检验,也是卡尔·皮尔森提出(被誉为现代统计科学的创立者,牛掰)。我们通常用卡方来检测两个变量or样本的独立性。
卡方检验的理论假设是:一个样本中已发生事件的次数分配会遵守某个特定的理论分配。通常的讲:观测频数跟实际频数应该没有区别,除非两个变量不是独立的。举个例子:XX公司不同部门职员的性别跟部门两者是独立的么?很明显不是哦。这儿我们的期望男女比例是1.05:1,但是在IT研发部分,比例可能是3:1,在HR、客服等部门,比率可能是1:3了。因此这儿的观测值就跟实际值不一致,我们就可以说两个不是独立的。
卡方检验通常有三个步骤
1. 计算卡方统计值,χ2\chi ^{2}统计值的公式是:
2. 计算自由度df=(r−1)(c−1)df=(r-1)(c-1)
3. 依据研究者设定的置信水准,查出自由度为 dfdf 的卡方分配临界值,比较它与第1步骤得出的χ2\chi ^{2}统计值,推论能否拒绝虚无假设。如果1计算出来的统计值大于表的值,则可以拒绝两个独立的假设,也就是说两者相关的,越相关χ2\chi ^{2}值越大。
从这儿可以看出, χ2\chi ^{2}比线性相关系数作用会广一些,因为它没有线性的前提假设。但是卡方检验时需要查卡方临界表,但是比较相关性大小就可以不用了。
对于连续型的特征,怎么计算卡方分布呢?这儿需要将连续型的特征进行分段,变为离散的特征然后再计算卡方分布。
卡方检验python代码实现
import sys
import re
import mathdef gen_observe_list(x, y):'''生成观测数组'''feature_no = len(x[0])label_dict = {};label_no = 0;for i in y:if i not in label_dict:label_dict[i] = label_nolabel_no = label_no + 1observe_list = [([0] * (feature_no+1)) for i in range(label_no + 1)]idx = 0;while idx < len(x):label = y[idx]y_idx = label_dict[label];features = x[idx];x_idx = 0;while x_idx < len(features):observe_list[idx+1][0] = observe_list[idx+1][0] + features[x_idx]observe_list[idx+1][x_idx+1] = observe_list[idx+1][x_idx+1] + features[x_idx]observe_list[0][x_idx+1] = observe_list[0][x_idx+1] + features[x_idx]observe_list[0][0] = observe_list[0][0] + features[x_idx]observe_listx_idx = x_idx+1;idx = idx + 1return observe_listdef gen_expect_list(observe_list):'''计算期望数组'''expect_list = [([0.0] * len(observe_list)) for i in range(len(observe_list[0]))]x_idx = 0y_idx = 1;while y_idx < len(observe_list):x_idx = 1while x_idx < len(observe_list[0]):expect_list[y_idx][x_idx] = observe_list[y_idx][0]*observe_list[0][x_idx]*1.0/observe_list[0][0]x_idx = x_idx + 1y_idx = y_idx + 1return expect_listdef compute_chi2(x, y):if len(x) != len(y) or len(x) < 2:print >>sys.stderr, "feature is too less..."observe_list = gen_observe_list(x, y)expect_list = gen_expect_list(observe_list);##计算chi2y_idx = 1;chi2 = [0.0] * len(expect_list[0]);while y_idx < len(observe_list):x_idx = 1while x_idx < len(observe_list[0]):expect_val = expect_list[y_idx][x_idx];observe_val = observe_list[y_idx][x_idx];chi_val = 1.0*(expect_val - observe_val)**2/expect_valchi2[0] = chi2[0] + chi_val;chi2[x_idx] = chi2[x_idx] + chi_val;x_idx = x_idx + 1;y_idx = y_idx + 1return chi2
具体实例可以参看wikipedia词条解释。
互信息
互信息的概念来自于信息熵,相信大家在很多机器学习,数据挖掘的数据都有看到。互信息广泛使用在特征选择、机器学习数模型中。
在概率论和信息论中,互信息是两个随机变量的互信息(Mutual Information,简称MI)或转移信息(transinformation)是变量间相互依赖性的量度。通俗的来讲:互信息是一个随机变量包含另外一个随机变量的信息量,或者说如果已知一个变量,另外一个变量减少的信息量。
互信息的公式为:
互信息有如下信息:
1. I(X;Y)=0I(X;Y)=0 当且仅当XX 和 YY 为独立随机变量。从一个方向很容易看出:当 XX 和 YY 独立时,p(x,y)=p(x)p(y)p(x,y) = p(x)p(y),因此:log(p(x,y)p(x)p(y))=log(1)=0log(\frac{p(x,y)}{p(x)p(y)})=log(1)=0
2. 互信息是对偶的。也就是说I(X;Y)=I(Y;X)I(X;Y)=I(Y;X)。
3. 互信息是非负的。从概念上来讲,互信息是已知一个变量,另外一个变量减少的信息量,减少的信息量最少为0(两个不相关),不可能减少为负吧。
4. I(X;Y)=H(Y)−H(Y|X)I(X;Y) = H(Y) - H(Y|X)。详细推导为:
5. 需要注意的是,互信息也是只能处理离散的特征。如果连续的情况,需要先离散化。
互信息python代码实现
import sys
import re
import math
def gen_info_data(x, y):'''基础统计'''feature_no = len(x[0])label_dict = {};label_no = 0;for i in y:if i not in label_dict:label_dict[i] = label_nolabel_no = label_no + 1info_data = [([0] * (feature_no+1)) for i in range(label_no + 1)]idx = 0;while idx < len(x):label = y[idx]y_idx = label_dict[label];features = x[idx];x_idx = 0;while x_idx < len(features):info_data[idx+1][0] = info_data[idx+1][0] + features[x_idx]info_data[idx+1][x_idx+1] = info_data[idx+1][x_idx+1] + features[x_idx]info_data[0][x_idx+1] = info_data[0][x_idx+1] + features[x_idx]info_data[0][0] = info_data[0][0] + features[x_idx]info_datax_idx = x_idx+1;idx = idx + 1return info_datadef compute_mutual_information(x, y):if len(x) != len(y) or len(x) < 2:print >>sys.stderr, "feature is too less..."info_data = gen_info_data(x, y)mut_info = [0.0] * len(info_data[0]);ret_data = 1.0;x_idx = 1;y_idx = 1;total = info_data[0][0];while y_idx < len(info_data):x_idx = 1while x_idx < len(info_data[0]):mut_info_val = info_data[y_idx][x_idx]*1.0/total*math.log(1.0*info_data[y_idx][x_idx]*total/(info_data[y_idx][0]*info_data[0][x_idx]))/math.log(2);mut_info[0] = mut_info[0] + mut_info_valmut_info[x_idx] = mut_info[x_idx] + mut_info_valx_idx = x_idx + 1;y_idx = y_idx + 1;return mut_info;
计算示例
计算A班性别跟是否化妆的互信息:
总结
本文主要介绍了线性相关系数、卡方检验、互信息三个概念。
1. 线性相关系数,基于两个变量在线性的基础上,主要用来衡量两个变量的线性相关的程度,其它类型的相关性Pearson相 关 系 数就无法衡量了。
2. 卡方检验基于两个样本会遵守特定的理论分配,用来检验两个样本or变量是否独立。计算也相对比较简单。能做大小比较,但是如果判断自变量与因变量是否相关,需要查卡方临界表。
3. 互信息基于信息熵理论,可以作为变量间相互依赖性的量度,涉及log计算,计算稍微复杂些。后面两个方法都只能计算离散特征,如果是连续特征,需要先将特征离散化之后再进行计算。
4. 特征选择时:卡方检验,偏向于选择出现次数较少的特征。因为是期望-观测值的平方再除以期望,互信息不会出现这个情况。因为互信息有乘以p(x,y)p(x,y)。从大多数实验来看,卡方跟互信息效果差不多,看具体的数据集而定。
线性相关系数、卡方检验、互信息相关推荐
- 第七章.线性相关系数的计算
7.1.1线性相关系数的计算 线性相关分析是用相关系数来表示两个变量间相互的线性关系,并判断其密切程度的统计方法. 为了下面编程方便起见,我们令X=身高,Y=体重. > x=ug$height ...
- (statistic)三种线性相关系数
//2014年4月29日整理 //相同主题:http://www.cnblogs.com/kemaswill/archive/2012/11/01/2749842.html pearson线性相关系数 ...
- python计算线性相关系数_Python+pandas计算数据相关系数(person、Kendall、spearman)
pandas中DataFrame对象corr()方法的用法,该方法用来计算DataFrame对象中所有列之间的相关系数(包括pearson相关系数.Kendall Tau相关系数和spearman秩相 ...
- python 计算 Pearson 线性相关系数
1. 代码 import scipy from scipy.stats import pearsonrx = scipy.array([1, 2, 3, 4, 5]) y = scipy.array( ...
- 零基础入门数据挖掘-Task3 特征工程
Datawhale 零基础入门数据挖掘-Task3 特征工程 前言 内容介绍 数据清洗 缺失值 异常值 箱型图 3∂原则 Box-Cox 变换 特征缩放 特征编码 特征工程 特征提取 特征选择 特征构 ...
- 1st Competition of Datawhale: the car price prediction
1st Competition of Datawhale: the car price prediction Task1 参赛组队 Task 2 初步EDA,学习成果以blog的形式进行沉淀 先说环境 ...
- 机器学习特征选择方法
文章目录 前言 特征选择 过滤法 Pearson系数 卡方检验 互信息和最大信息系数 距离相关系数 方差选择法 包装法 嵌入法 总结 前言 最近在看吴恩达的深度学习机器学习课程.地址:deeplear ...
- 特征工程(科大讯飞阿泽大佬share)
时序预测任务简介 2.特征工程常见操作(数据清洗,特征构造,特征筛选) 数据清洗:提高数据质量,降低算法用错误数据建模的风险 特征变换:模型无法处理或者不适合处理 a) 定性变量编码:Label En ...
- 发债企业的违约风险预警初赛方案【AI比赛】
1.赛题 2.赛题解读 2.1赛题精炼 2.2特征提取 2.2.1类别特征 2.2.2数值特征 2.3特征选择 2.4时序验证 2.5模型选择 3上分攻略 4方案分享 4.1导入模块 4.2读入数据 ...
最新文章
- 流行于机器学习竞赛的Boosting,这篇文章讲的非常全了
- impala 连接mysql_impala系列: 基本命令和jdbc连接
- 推荐算法炼丹笔记:序列化推荐系统
- webp转换gif_右键转换文件格式
- Linux的scan命令,linux的scan命令
- 中国剩余定理证明过程
- 文档和元素的几何滚动
- BZOJ 1571: [Usaco2009 Open]滑雪课Ski
- Android5.1 Audio计算音量流程
- 数控技术计算机学什么,长沙数控技术专业学什么,有前途吗?
- java keytool下载_Java中Keytool工具的使用总结(一)
- gmap mysql cachet_百度谷歌离线地图解决方案(离线地图下载)
- java调用考勤机_zkteco iface702 中控考勤机java开发步骤一---连接考勤机
- Array Implementation of min-Heaps 最小堆数组实现
- 阿里云安全中心之漏洞修复最佳实践
- Android 编译优化探索
- 小飞升值记——(终章)
- 其他的torrent资源
- E. 身体评估(类与对象)
- linux安装网卡驱动失败,Linux下安装网卡执行make install失败