当前位置：首页 > news >正文

【机器学习】回归类算法-相关性分析

news 2025/7/23 16:39:02

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：