R学习连续变量之间的关系

穷则独善其身，达则兼善天下。——《孟子》

1 plot （x,y）能够创建散点图，其中x代表横坐标，y代表纵坐标，这两个向量坐标一致。

2 若我们向他人展示图形的话，那么绘图时注意使用xlab,ylab 和main选项作为图形加上合适的标签，这样便于理解图像

3 使用参数col 对图形的着色

4 使用参数legend对图形添加图例，这样读者知道每种颜色代表什么。

5 使用参数cex帮助我们调节散点图上点的大小

6 散点矩阵是很好的可视化变量对之间关系的方法：能绘制散点图矩阵的函数paris(),cars包中的scatterplot Matrix(),以及gparis 包中的gpairs()

7 当变量高度有偏时，可使用设置plot()函数中的log选项对相应的坐标的进行数量变换，共有三种： log="x"log="y" log="xy"

9 cor(x,y)能够计算两个变量之间的Person的相关系数r,该系数是两个变量之间线性相关强度的度量

10 cor()会给出一个相关矩阵，当变量的个数大于1时，对相关矩阵进行可视化的一个简单方式使用corrplot包；

11 cor.test()能够检测相关性是否统计显著，并且给出相关系数的r的置信区间。

12 根据市场营销数据，参考Cohen的经验法则来判定r的强度:r=0.1是弱相关，r=0.3是中等相关，r=0.5是强相关

13 Box-Cox变换是自动选择最优选择数据变换的方法之一

14 当两个变量是非线性相关时，r不能给出准确的的相关性估计，变化后的变量之间的相关性系数r通常更大

经典的市场营销的数据更换：

变量	常见变换
销售量公司收入家庭收入价格	log（x）
距离	1/x,1/x^2,log(x)
市场份额，或者选择偏好	e^2/(1+e^2)
右偏分布一般而言
左偏分布一般而言

由于部分公式无法显示，所以只能截图了:

下面给出一些函数和图形的实例;

jitter函数的用法：在每个观测值上加上一点点的随机扰动，这样观测值就不会完全重合：

plot(cust.df$sat.service,cust.df$sat.selection,xlab="Customer Satisfaction with service",ylab="customer satisfaction with selection",main="customers as of June 2014")

plot(jitter(cust.df$sat.service),jitter(cust.df$sat.selection),xlab="Customer Satisfaction with service",ylab="customer satisfaction with selection",main="customers as of June 2014")

Box-Cox的变换：

install.packages("car")library(car)
powerTransform(cust.df$distance.to.store)lambda<-coef(powerTransform(1/cust.df$distance.to.store))
bcPower(cust.df$distance.to.store,lambda)par(mfcrow=c(1,2))
hist(cust.df$distance.to.store,xlab="Distance to nearest Store",ylab="Count of Customer",main="Original Distribution")hist(bcPower(cust.df$distance.to.store,lambda),xlab="Box-Cox Transformation of distance ",ylab="Count od customers",main="Transformed distribution")

这是下面产生的图形：

经过变换后的的图形符合正态分布：

R学习连续变量之间的关系相关推荐

浅谈数学、数学建模与人工智能（机器学习，深度学习）之间的关系？
前言: 说来也巧合,我在大学里加入的第一个社团就是数学建模,各种各样的社团对我没有完全没有吸引力,什么舞蹈.爱心.创业.英语等,加入数学建模的原因有二:一是可以参加比赛,二是可以认识更 ...
这个AI模型用最少的训练数据学习对象之间的关系
https://www.toutiao.com/a6675553528800346628/ 上图:研究人员训练了一个混合AI模型来回答诸如"绿色立方体左边的红色物体与紫色哑光物具有相同形状吗 ...
人工智能、机器学习、深度学习之间的关系
人工智能.机器学习.深度学习之间的关系一.人工智能二.机器学习三.深度学习三者之间的关系参考资料一.人工智能人工智能(Artificial Intelligence),英文缩写为AI.它 ...
R语言ggplot2可视化散点图、可视化两个数值变量之间的关系、使用geom_smooth函数基于loess方法拟合数据点之间的趋势关系曲线、自定义数据点的大小、色彩、添加主标题、副标题、题注信息
R语言ggplot2可视化散点图.可视化两个数值变量之间的关系(Scatter plot).使用geom_smooth函数基于loess方法拟合数据点之间的趋势关系曲线.自定义数据点的大小.色彩.添加 ...
R语言data.table进行滚动数据连接，滚动连接通常用于分析涉及时间的数据（例如商业销售活动和对应的广告投放的安排之之间的关系）实战：实战和动画说明滚动数据连接的形式及方法
R语言data.table进行滚动数据连接,滚动连接通常用于分析涉及时间的数据(例如商业销售活动和对应的广告投放的安排之之间的关系)实战:实战和动画说明滚动数据连接的形式及方法目录
R语言rms包生存分析之限制性立方样条(RCS, Restricted cubic spline)分析详解实战:拟合连续性自变量和事件风险之间的关系：基于survival包lung数据
R语言rms包生存分析之限制性立方样条(RCS, Restricted cubic spline)分析详解实战:拟合连续性自变量和事件风险之间的关系:基于survival包lung数据目录
R语言rms包生存分析之限制性立方样条(RCS, Restricted cubic spline)分析:拟合连续性自变量和事件风险之间的关系并绘制直方图、平滑曲线、双Y轴于同一个图像中
R语言rms包生存分析之限制性立方样条(RCS, Restricted cubic spline)分析:拟合连续性自变量和事件风险之间的关系并绘制直方图.平滑曲线.双Y轴于同一个图像中目录
AI：人工智能概念之机器学习ML、深度学习DL、数据挖掘、知识发现、模式识别等重要领域之间比较关系结构图之详细攻略
AI:人工智能概念之机器学习ML.深度学习DL.数据挖掘.知识发现.模式识别等重要领域之间比较关系结构图之详细攻略目录 AI与ML.DL的概念 AI与ML.DL的结构关系图参考文章:<201 ...
怎么样处理好学科竞赛与文化课学习之间的关系,,学习下，，
怎么样处理好学科竞赛与文化课学习之间的关系学习, 竞赛, 关系, 学科, 文化课 [中山纪念中学高一(24)班陈启峰] 开场白: 各位老师.同学,你们好! 我的名字叫陈启峰,现在在纪中高一(24 ...
React学习：组件之间的关系、参数传递-学习笔记
文章目录 React学习:组件之间的关系.参数传递-学习笔记父到子传递参数子-父父-孙兄弟组件传参 React学习:组件之间的关系.参数传递-学习笔记父到子传递参数 <!DOCTYPE ...

R学习连续变量之间的关系

R学习连续变量之间的关系相关推荐

最新文章

热门文章