В этом уроке объясняется, как использовать матричные методы для генерации матрицы дисперсии-ковариаций из матрицы необработанных данных.
Вариация
Вариативность – это доля колебания или распространения в большом количестве информации. С научной точки зрения, это нормальное квадратное отклонение от среднего балла. Мы используем сопутствующее уравнение, чтобы вычислить изменение.
Var(X) = Σ ( Xi – X )2 / N = Σ xi2 / N
где
N – это количество баллов в наборе баллов.
X – средний балл N.
Xi – это исходная оценка в наборе баллов.
xi – это показатель отклонения в наборе баллов.
Var(X) – это разница всех баллов в наборе.
Ковариация
Ковариативность – это доля той степени, в которой сравнение компонентов из двух механизмов запрашиваемой информации движется аналогичным образом. Для обработки ковариаций мы используем сопроводительное уравнение.
Ков(X, Y) = Σ ( Xi – X ) ( Yi – Y ) / N = Σ xiyi / N
где
N – это количество баллов в каждом наборе данных.
X – это среднее значение N баллов в первом наборе данных.
Кси – это исходная оценка в первом наборе очков.
xi – это показатель отклонения в первом наборе баллов.
Y – это среднее значение N баллов во втором наборе данных.
Йи – сырой балл во втором наборе баллов.
yi – это показатель отклонения во втором наборе баллов.
Cov(X, Y) – это ковариация соответствующих баллов в двух наборах данных
Матрица переменных-ковариаций
Ковариативность и ковариативность регулярно отображаются вместе в дифференциальной ковариационной решетке (иначе известной как ковариационная решетка). Изменения отображаются вдоль от угла к углу, а коварианты отображаются в смещенных компонентах, как показано ниже.
| V = |
Σ x12 / N Σ x1 x2 / N . . . Σ x1 xc / N |
где
V – это матрица дисперсии-ковариантности c x c
N – это количество баллов в каждом из наборов данных c.
xi – это оценка отклонения от набора данных.
Σ xi2 / N – это отклонение элементов от ith набора данных.
Σ xi xj / N – ковариация для элементов из ith и jth наборов данных.
Как создать матрицу переменных-ковариаций
Предполагается, что Х – это решетка n x k, содержащая запрошенную грубую информацию. Например, в схеме Х могут быть показаны результаты k тестов для n дублеров, как указано в Выпуске 1.
Начиная с грубой информации решетки X, вы можете сделать разностную ковариационную решетку, чтобы показать изменение внутри каждого сегмента и ковариацию между сегментами. Вот в чём секрет.
Преобразовать необработанные оценки из матрицы X в оценки отклонения для матрицы x.
x = X – 11’X ( 1 / n )
где
1 – это вектор из n x 1 столбцов
x – это матрица n x k баллов отклонения: x11, x12, … хнк
X – это матрица n x k необработанных баллов: X11, X12, … Xnk
Обработка х’х, отклонение к х к оптовым значениям квадратов и сетки поперечных элементов для х.
В этот момент каждый член разделите на n, чтобы получилась разностная ковариационная сеть. То есть,
V = x’x ( 1/n )
где
V – это ковариационная сетка колебаний k x k
x’x – это суммарное отклонение квадратов и сетки поперечных элементов.
n – это количество баллов в каждом сечении первой сетки X.
В следующем разделе прочтите Проблему 1 в качестве примера, показывающего, как превратить необработанные данные в матрицу дисперсии-ковариаций.
You may also like
Ложное отрицание
При понимании гипотезы две ошибки могут сбить с толку. Эти две ошибки – ложноотрицательная и ложноположительная. Ложноотрицательную ошибку можно также назвать ошибкой второго типа, а ложноположительную – ошибкой первого типа. В процессе обучения вы можете подумать, что эти ошибки не имеют никакого смысла и только зря потратите время на изучение концепций. Однако, рассмотрев преимущества этих […]
Обзор сюжета коробки
График ящиков или ящиков, а также график вискеров помогут вам отобразить распределение базы данных в виде сводки из пяти чисел. Первый квартиль Q1 будет минимальным, третий квартиль Q3 – медианным, пятый квартиль Q5 – максимальным. Вы можете узнать пропуски и их значения, используя график ящиков. Вы также можете понять, симметричны ли Ваши данные, плотно ли […]
Байесские сети
Создание вероятностной модели может быть сложным делом, но окажется полезным в процессе обучения на станке. Для создания такой графической модели необходимо найти вероятностные связи между переменными. Предположим, вы создаете графическое представление переменных. Нужно представить переменные как узлы, а условную независимость – как отсутствие ребер. Графические модели, такие как байесовские статистические модели, становятся все более популярными […]
