ML之Spearman:Spearman相关系数(斯皮尔曼等级相关系数)的简介、案例应用之详细攻略
ML之Spearman:Spearman相关系数(斯皮尔曼等级相关系数)的简介、案例应用之详细攻略
目录
Spearman相关系数(斯皮尔曼等级相关系数)的简介
(1)、Spearman相关系数(斯皮尔曼等级相关系数)的计算逻辑
Spearman相关系数(斯皮尔曼等级相关系数)的的案例应用
Spearman相关系数(斯皮尔曼等级相关系数)的简介
在 统计学中, 以查尔斯·斯皮尔曼命名的斯皮尔曼等级相关系数,即spearman相关系数。经常用希腊字母ρ表示。 它是衡量两个变量的依赖性的 非参数 指标。 它利用单调方程评价两个统计变量的相关性。 如果数据中没有重复值, 并且当两个变量完全单调相关时,斯皮尔曼相关系数则为+1或−1。
Spearman秩相关系数是一个非参数性质(与分布无关)的秩统计参数,由Spearman在1904年提出,用来度量两个变量之间联系的强弱(Lehmann and D'Abrera 1998)。Spearman秩相关系数可以用于R检验,同样可以在数据的分布使得Pearson线性相关系数不能用来描述或是用来描述或导致错误的结论时,作为变量之间单调联系强弱的度量。
在统计学中,Spearman秩相关系数或称为Spearman的ρ,是由Charles Spearman命名的,一般用希腊字母ρs(rho)或是rs表示。Spearman秩相关系数是一个非参数的度量两个变量之间的统计相关性的指标,用来评估当用单调函数来描述是两个变量之间的关系有多好。在没有重复的数据的情况下,如果一个变量是两外一个变量的严格单调的函数,则二者之间的Spearman秩相关系数就是+1或-1,称变量完全Spearman相关。
(1)、Spearman相关系数(斯皮尔曼等级相关系数)的计算逻辑
Spearman秩相关系数通常被认为是排列后的变量之间的Pearson线性相关系数,在实际计算中,有更简单的计算ρs的方法。假设原始的数据xi,yi已经按从大到小的顺序排列,记x’i,y’i为原xi,yi在排列后数据所在的位置,则x’i,y’i称为变量x’i,y’i的秩次,则di=x’i-y’i为xi,yi的秩次之差。
斯皮尔曼相关系数被定义成等级变量之间的皮尔逊相关系数。对于样本容量为n的样本,n个原始数据被转换成等级数据,相关系数ρ为
原始数据依据其在总体数据中平均的降序位置,被分配了一个相应的等级。如下表所示
变量Xi |
降序位置 |
等级xi |
---|---|---|
0.8 |
5 |
5 |
1.2 |
4 |
|
1.2 |
3 |
|
2.3 |
2 |
2 |
18 |
1 |
1 |
实际应用中,变量间的连结是无关紧要的,于是可以通过简单的步骤计算ρ.被观测的两个变量的等级的差值,则ρ为
Spearman相关系数(斯皮尔曼等级相关系数)的的案例应用
相关文章:ML之PCC:PCC皮尔逊相关系数(Pearson correlation coefficient)的简介、案例应用(与spearman相关系数对比及其代码实现)之详细攻略
ML之Spearman:Spearman相关系数(斯皮尔曼等级相关系数)的简介、案例应用之详细攻略相关推荐
- ML之PPMCC:PPMCC皮尔逊相关系数(Pearson correlation coefficient)、Spearman相关系数的简介、案例应用之详细攻略
ML之PPMCC:PPMCC皮尔逊相关系数(Pearson correlation coefficient).Spearman相关系数的简介.案例应用之详细攻略 目录 PPMCC皮尔逊相关系数的简介 ...
- ML之DR之SVD:SVD算法相关论文、算法过程、代码实现、案例应用之详细攻略
ML之DR之SVD:SVD算法相关论文.算法过程.代码实现.案例应用之详细攻略 目录 SVD算法相关论文 SVD算法过程 1.公式的推导 2.SVD算法两步过程 SVD代码实现 SVD的案例应用 1. ...
- ML与math:机器学习与高等数学基础概念、代码实现、案例应用之详细攻略——基础篇
ML与math:机器学习与高等数学基础概念.代码实现.案例应用之详细攻略--基础篇 目录 一.ML与高等数学 0.基础数学 1.导数.方向导数.梯度 1.1.概念简介 1.2.代码实现 2.Taylo ...
- ML之ME/LF:机器学习之风控业务中常用模型评估指标PSI(人群偏移度指标)的的简介、使用方法、案例应用之详细攻略
ML之ME/LF:机器学习之风控业务中常用模型评估指标PSI(人群偏移度指标)的的简介.使用方法.案例应用之详细攻略 目录 PSI(稳定度指标)的简介 1.如何计算PSI? (1).PSI计算过程
- ML之SR:Softmax回归(Softmax Regression)的简介、使用方法、案例应用之详细攻略
ML之SR:Softmax回归(Softmax Regression)的简介.使用方法.案例应用之详细攻略 目录 Softmax回归的简介 Softmax回归的使用方法 Softmax回归的案例应用 ...
- ML之FE:数据处理—特征工程之特征三化(标准化【四大数据类型(数值型/类别型/字符串型/时间型)】、归一化、向量化)简介、代码实现、案例应用之详细攻略
ML之FE:数据处理-特征工程之特征三化(标准化[四大数据类型(数值型/类别型/字符串型/时间型)].归一化.向量化)简介.代码实现.案例应用之详细攻略 目录 真正意义的标准化与归一化 1.标准化/Z ...
- ML之DataScience:基于机器学习处理数据科学(DataScience)任务(数据分析、特征工程、科学预测等)的简介、流程、案例应用执行详细攻略
ML之DataScience:基于机器学习处理数据科学(DataScience)任务(数据分析.特征工程.科学预测等)的简介.流程.案例应用执行详细攻略 目录 数据科学的任务(数据分析.特征工程.科学 ...
- ML之FE:数据处理—特征工程之稀疏特征的简介、如何处理、案例应用之详细攻略
ML之FE:数据处理-特征工程之稀疏特征的简介.如何处理.案例应用之详细攻略 目录 稀疏特征的简介 稀疏特征的如何处理 稀疏特征的案例应用 稀疏特征的简介 信号稀疏表示是过去近20年来信号处理界一个非 ...
- ML之Validation:机器学习中模型验证方法的简介、代码实现、案例应用之详细攻略
ML之Validation:机器学习中模型验证方法的简介.代码实现.案例应用之详细攻略 目录 模型验证方法的简介 1.Hold-out验证 2.K-折交叉验证 3.自助重采样 模型验证方法的代码实现 ...
- ML之ME/LF:机器学习中常见模型评估指标/损失函数(LiR损失、L1损失、L2损失、Logistic损失)求梯度/求导、案例应用之详细攻略
ML之ME/LF:机器学习中常见模型评估指标/损失函数(LiR损失.L1损失.L2损失.Logistic损失)求梯度/求导.案例应用之详细攻略 目录 常见损失函数求梯度案例 1.线性回归求梯度 2.L ...
最新文章
- 如何使用Linux内核中没有被导出的变量或函数
- 09-Maximum Power Mitigation Mechanism (MPMM)
- 整理的一些Android开发类免费视频课程
- 前端学习(1676):前端系列实战课程之贪吃蛇游戏设计
- 【解决】jupyter在deepin安装上的坑
- python创建提示用户输入查询条件_python流程控制练习
- 分组聚合查询两门以上MySQL_MySQL中的分组聚合查询
- 强烈推荐!mac超牛皮解压/压缩工具MyZip 1.1.2 mac免费版
- Linux下使用润乾设计器
- wangEditor-v5使用
- 分治法求一个整数序列中的最大和最小元素
- 郝斌数据结构-线性表之单链表程序(C语言版)
- 4.7 使用色相/饱和度命令调整图像的色彩 [原创Ps教程]
- 2021年茶艺师(初级)考试及茶艺师(初级)新版试题
- linux路由表怎么看懂,教你读懂Linux路由表
- HCL_路由器_三层交换
- canvas将彩色图片变为灰度图片理解问题
- 可以实现图片编辑修改文字app有哪些?这三款工具很实用
- Canvas实现3D效果-可旋转的立方体
- hypermill五轴再加工_hypermill五轴加工特点详述
热门文章
- 错误解决:java.util.concurrent.ExecutionException: org.apache.catalina.LifecycleException: Failed to star
- Android签名证书:jks和keystore
- 【时序】LSTNet:结合 CNN、RNN 以及 AR 的时间序列预测模型
- opencv学习(二十四)之腐蚀与膨胀
- C++入门项目——通讯管理系统
- jmeter下载安装教程
- 文件(夹)操作SHFileOperation (删除 复制 移动) 报错 无法读取源文件或磁盘
- p12解析流程_解析P12证书 | 学步园
- sql数据库去重语法_数据库去重语句
- 《Linux程序设计》 - 《Linux高级程序设计》 - 《Unix环境高级编程》