欢迎大家来到IT世界,在知识的湖畔探索吧!
1. 方差: 组内差异,一般为一维数据
标准差(均方差、均方根差)【总方差】: 反映检测值与样本平均值间的偏差,为有偏估计。
在实际情况中,总体均值很难得到,往往通过抽样来计算,于是有样本方差S(无偏估计)
def cal_vars(X): """ 计算方差, 标准差 """ m = sum(X)/len(X) varX = sum(map(lambda i: abs(i - m)2, X))/len(X) stdX = math.sqrt(varX) return varX, stdX 手动计算 X = np.arange(10) v, s = cal_vars(X) print(f"方差1: {v}, 标准差1:{s}" ) numpy 计算 varX = np.var(X) stdX = np.std(X, ddof=0) print(f"方差2: {varX}, 标准差2:{stdX}" ) print(f"方差3: {varX}, 标准差3:{math.sqrt(varX)}" ) '' 方差1: 8.25, 标准差1:2.90143 方差2: 8.25, 标准差2:2.90143 方差3: 8.25, 标准差3:2.90143 ''
欢迎大家来到IT世界,在知识的湖畔探索吧!
2. 数学期望E(xi)
数学期望:离散型随机变量 xi 和对应概率的乘积。公式如下:
3.协方差:组间差异,描述多维数据
概率论和统计学中用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况,即当两个变量是相同的情况。
欢迎大家来到IT世界,在知识的湖畔探索吧!X = np.arange(5) Y = np.array([10, 12, 14, 16, 18]) plt.figure(figsize=(12,6)) plt.subplot(131) ,plt.bar(X, X), plt.title("X") plt.subplot(132) ,plt.bar(Y,Y), plt.title("Y") plt.subplot(133) ,plt.plot(X,Y, 'o:'), plt.title("X vs Y") covX = np.cov(X, ddof=0) covY = np.cov(Y, ddof=0) covXY = np.cov(X,Y, ddof=0) print(f"X协方差:{covX}, Y协方差:{covY}, XY斜偏差: {covXY}") 方差:2.0,协方差:2.5 X协方差:2.0, Y协方差:8.0, XY协偏差: 4.0
X, Y 协方差为4.0 ,是正相关,从上面的图像我们也可以看到像x,y 变化是一致的。
注意:numpy cov 默认自由度为1.
协方差矩阵:[[2. 4.] [4. 8.]], 既然协方差反应了相关性,那我们怎么衡量呢?皮尔逊相关性, 很简单,用协方差除以标准差即可,就是协方差归一化的过程:
4.标准误:衡量抽样误差,越小代表抽样数据越能反应总体的特征
5. 均方误差(Mean Squared Error,MSE):均方误差是指参数估计值与参数真值之差平方的期望值。
6. 均方根误差(Root Mean square Error, RMSE): MSE的平方根,反映真实值和预测值间的偏差。
7.平均绝对误差(Mean absolute Error, MAE): 真实值与预测值绝对误差的平均值,与标准差相比,MAE离差被绝对值化,不会出现正负相抵消的情况,更好地反映预测值误差的实际情况。
免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://itzsg.com/83833.html