数学建模Matlab之检验与相关性分析

只要做C题基本上都会用到相关性分析、一般性检验等！

回归模型性能检验

下面讲一下回归模型的性能评估指标，用来衡量模型预测的准确性。下面是每个指标的简单解释以及它们的应用情境：

1. MAPE (平均绝对百分比误差)

  • 描述: 衡量模型预测的相对误差。
  • 应用情境: 当你想知道模型预测误差相对于实际值的大小时。

2. RMSE (均方根误差)

  • 描述: 衡量实际值和预测值之间的偏差。
  • 应用情境: 关注所有类型的误差。

3. SSE (残差平方和)

  • 描述: 衡量实际值和预测值之间差异的平方和。

4. MSE (均方误差)

  • 描述: 衡量实际值和预测值之间差异的平均平方和。
  • 应用情境: MSE对大误差更敏感，因为它计算的是误差的平方。如果你的模型有很大的误差，MSE会变得非常大。所以，如果你的任务不能容忍大的误差，使用MSE是有意义的。

5. MAE (平均绝对误差)

  • 描述: 衡量实际值和预测值之间差异的平均绝对值。
  • 应用情境: MAE对所有误差都是同等敏感的。它不会因为个别的大误差而受到过度影响，因为它不考虑误差的平方。如果你更关心所有类型的误差，而不仅仅是大误差，你可以使用MAE。

6. R^2 (决定系数)

  • 描述: 衡量模型解释数据变异的程度。
  • 应用情境: 当你想知道模型相对于基准模型（例如，仅使用均值进行预测）的性能时。

结合使用

  1. 同时使用多个指标：你可以同时使用多个指标来获取模型性能的全面视图。例如，使用R^2可以了解模型解释了多少变异，而使用RMSE或MAE可以了解模型的平均误差大小。

  2. 与领域知识结合：根据问题的具体上下文和领域知识来选择最合适的指标。例如，在某些情况下，过度估计可能比低估更可取，或者大误差可能比小误差更不可接受。

  3. 考虑误差类型：不同的指标对不同类型的误差有不同的敏感度（例如，MSE对大误差更敏感，而MAE对所有误差都同等敏感）。

总之，选择哪个指标还取决于具体的应用和业务目标。在实践中，建议使用多个指标，并结合问题的具体背景进行解释和分析。甚至可以自定义损失函数。

%% 一般检验
% 各类检验，除决定系数是1最好，都是0最好
YReal = [1 2 3 4 5];
YPred = [1 2 3 4 5.1];
% 平均绝对百分比误差（MAPE）
mape = mean(abs((YReal - YPred)./YReal));
disp(['MAPE: ' num2str(mape)]);
% 均方根误差（RMSE）
rmse = sqrt(mean((YPred-YReal).^2));
disp(['RMSE: ' num2str(rmse)]);
% 残差平方和（SSE）
sse = sum((YReal - YPred).^2);
disp(['SSE: ' num2str(sse)]);
% 均方误差（MSE）
mse = mean((YReal - YPred).^2);
disp(['MSE: ' num2str(mse)]);
% 平均绝对误差（MAE）
mae = mean(abs(YReal - YPred));
disp(['MAE: ' num2str(mae)]);
% 决定系数（R2-R-Square）
r2 = 1 - (sum((YPred - YReal).^2) / sum((YReal - mean(YReal)).^2));
disp(['R2: ' num2str(r2)]);

相关性分析

相关性分析简介

相关性分析是统计学和数据分析中常用的一种技术，主要用于研究两个或多个变量之间是否存在某种关系（即它们是否相关）。这种关系可以是线性的，也可以是非线性的。通过相关性分析，我们可以量化两个变量之间的关系的强度和方向。

Pearson相关系数

  • 使用条件:

    1. 连续变量: Pearson相关系数只适用于连续变量。
    2. 线性关系: 变量间的关系应该是线性的。判断变量间
    3. 正态分布: 数据应该近似或严格符合正态分布。所以需要进行正态性检验，在数据预处理篇作者讲过。

  • 应用场景:

    • 用于衡量两个连续变量之间的线性相关性。
    • 在科学研究、金融分析和社会科学等领域中广泛应用。

Kendall相关系数

  • 使用条件:

    1. 序列数据: 适用于测量序列数据之间的关系。
    2. 非线性关系: 可用于非线性关系。

  • 应用场景:

    • 用于衡量两个序列变量之间的相关性。
    • 在社会科学、经济学和生物学等领域中应用。

Spearman相关系数

  • 使用条件:

    1. 序列数据: 适用于测量序列数据之间的关系。
    2. 非线性关系: 可用于非线性关系。
    3. 不需正态分布: 不需要数据遵循正态分布。

  • 应用场景:

    • 用于衡量两个序列变量之间的相关性。
    • 在许多不同领域中广泛应用，例如心理学和教育研究。

指标选择

再明确一下，相关性分析指标的选择不是随随便便的，一定要分析需要的是线性关系还是非线性关系！

如果你的数据是连续的，并且服从正态分布，那么Pearson相关系数是一个不错的选择。

如果你的数据是序列数据或不满足正态分布，那么Kendall或Spearman相关系数可能是更好的选择。

1. Pearson相关系数 (r)

  • 相关性类型: 线性相关性
  • 描述: Pearson相关系数主要用于测量两个连续变量之间的线性关系的强度和方向。如果两个变量之间的关系是非线性的，Pearson相关系数可能不会检测到这种关系。

2. Kendall相关系数 (τ)

  • 相关性类型: 非线性相关性
  • 描述: Kendall τ相关系数不仅可以检测线性关系，还可以检测更复杂的非线性关系。它主要用于测量两个序列变量之间的相关性。

3. Spearman相关系数 (ρ)

  • 相关性类型: 非线性相关性
  • 描述: Spearman ρ也是一种非参数相关系数，它可以测量两个变量之间的单调关系（不一定是线性关系）。

总结:

  • 如果研究目的是了解两个变量之间的线性关系，通常使用Pearson相关系数。
  • 如果数据是序列或等级数据，或者关系可能是非线性的，那么Spearman或Kendall相关系数可能更合适。

代码示例

%% 相关性分析
clc, clear, close all;% 列为指标，行为数据
data = rand(10);% Pearson相关系数
r1 = corr(data, 'type', 'Pearson');
disp(r1);
% Kendall相关系数
r2 = corr(data, 'type', 'Kendall');
disp(r2);
% Spearman相关系数
r3 = corr(data, 'type', 'Spearman');
disp(r3);

这就求出来了，接下来就是使用r1/r2/r3画相关性分析图了！图可以有很多种选择，但是作者都觉得很丑，所以自己配置了一个小清新的颜色，大家喜欢的话可以拿走哦！

% 设置我自定义的颜色映射
n = 64;
% 从淡蓝色 (0.6, 0.6, 1) 到淡黄色 (1, 1, 0.6)
t1 = linspace(0.6, 1, floor(n/2))';
u1 = linspace(0.6, 1, floor(n/2))';
v1 = linspace(1, 0.6, floor(n/2))';
% 从淡黄色 (1, 1, 0.6) 到淡红色 (1, 0.6, 0.6)
t2 = linspace(1, 1, ceil(n/2))';
u2 = linspace(1, 0.6, ceil(n/2))';
v2 = linspace(0.6, 0.6, ceil(n/2))';t = [t1; t2];
u = [u1; u2];
v = [v1; v2];my_colormap = [t,u,v];figure;
% 创建子图
ax3 = subplot(1, 1, 1);
% 绘制 Spearman 相关系数的热力图
imagesc(ax3, r3);
% 添加颜色条
colorbar(ax3);
% 在每个单元格中添加文本
for i = 1:size(r3, 1)for j = 1:size(r3, 2)text(ax3, j, i, sprintf('%.2f', r3(i, j)), ...'HorizontalAlignment', 'center', ...'Color', 'k', 'FontSize', 10, 'Parent', ax3);end
end
% 设置标题
title(ax3, 'Spearman Correlation Heatmap');
% 应用自定义的颜色映射
colormap(ax3, my_colormap);

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/146883.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

VRRP配置案例（路由走向分析，端口切换）

VRRP配置案例（路由走向分析，端口切换）

以下配置图为例 PC1的配置 acsw下行为access口&#xff0c;上行为trunk口&#xff0c; 将g0/0/3划分到vlan100中 <Huawei>sys Enter system view, return user view with CtrlZ. [Huawei]sysname acsw [acsw] Sep 11 2023 18:15:48-08:00 acsw DS/4/DATASYNC_CFGCHANGE:O…
阅读更多...
【Spring Cloud】Ribbon 实现负载均衡的原理，策略以及饥饿加载

【Spring Cloud】Ribbon 实现负载均衡的原理，策略以及饥饿加载

文章目录 前言一、什么是 Ribbon二、Ribbon 实现负载均衡的原理2.1 负载均衡的流程2.2 Ribbon 实现负载均衡的源码剖析 三、Ribbon 负载均衡策略3.1 负载均衡策略3.2 演示 Ribbon 负载均衡策略的更改 四、Ribbon 的饥饿加载4.1查看 Ribbon 的懒加载4.2 Ribbon 的饥饿加载模式 前…
阅读更多...
Python无废话-办公自动化Excel修改数据

Python无废话-办公自动化Excel修改数据

如何修改Excel 符合条件的数据&#xff1f;用Python 几行代码搞定。 需求&#xff1a;将销售明细表的产品名称为PG手机、HW手机、HW电脑的零售价格分别修改为4500、5500、7500&#xff0c;并保存Excel文件。如下图 Python 修改Excel 数据&#xff0c;常见步骤&#xff1a; 1&…
阅读更多...
Ubuntu20 QT6.0 编译 ODBC 驱动

Ubuntu20 QT6.0 编译 ODBC 驱动

一、新建测试项目 新建一个控制台项目&#xff0c; // main.cpp #include <QCoreApplication> #include <QSqlDatabase> #include <QDebug>int main(int argc, char *argv[]) {QCoreApplication a(argc, argv);// 获取当前Qt支持的驱动列表QStringList driv…
阅读更多...
1300*C. Coin Rows（枚举模拟）

1300*C. Coin Rows（枚举模拟）

解析&#xff1a; 两人都绝对聪明&#xff0c;Alice先走&#xff0c;尽量让Bob所能拿的分数最少&#xff0c;Alice有一次往下走的机会&#xff0c;剩余没走过的点正好分为两断断开的区域&#xff0c;所以Bob的最大分数要么在第一格向下或者在最后一列向下。 遍历区间&#xff0…
阅读更多...
stm32之1602+DHT11+继电器

stm32之1602+DHT11+继电器

描述&#xff1a; 1、DHT11监测温室度&#xff0c;并显示到1602液晶上 2、通过串口打印&#xff08;或通过蓝牙模块在手机上查看&#xff09; 3、当温度大于24度时&#xff0c;开启继电器。小于时关闭继电器&#xff08;继电器可连接风扇---假想O(∩_∩)O哈哈~&#xff09; 一、…
阅读更多...
软件测试基础学习

软件测试基础学习

注意&#xff1a; 各位同学们&#xff0c;今年本人求职目前遇到的情况大体是这样了&#xff0c;开发太卷&#xff0c;学历高的话优势非常的大&#xff0c;公司会根据实际情况考虑是否值得培养&#xff08;哪怕技术差一点&#xff09;&#xff1b;学历稍微低一些但是技术熟练的…
阅读更多...
画CMB天图使用Planck配色方案

画CMB天图使用Planck配色方案

使用Planck的配色方案&#xff1a; 全天图&#xff1a; 或者方形图&#xff1a; 使用下面设置即可&#xff1a; import pspy, pixell from pspy.so_config import DEFAULT_DATA_DIR pixell.colorize.mpl_setdefault("planck")此方法不会改变matplotlib默认配色方案…
阅读更多...
zemax场曲/畸变图与网格畸变图

zemax场曲/畸变图与网格畸变图

网格畸变是XY两个方向上的几何畸变&#xff0c;是不同视场实际像高与近轴像高的偏差。 垂轴放大率在整个视场范围内不能保持常数 当一个有畸变的光学系统对一个方形的网状物体成像时,若δy>0&#xff0c;则主光线的交点高度y比理想像高y低,视场越大&#xff0c;低得越多&a…
阅读更多...
Xmake v2.8.3 发布，改进 Wasm 并支持 Xmake 源码调试

Xmake v2.8.3 发布，改进 Wasm 并支持 Xmake 源码调试

Xmake 是一个基于 Lua 的轻量级跨平台构建工具。 它非常的轻量&#xff0c;没有任何依赖&#xff0c;因为它内置了 Lua 运行时。 它使用 xmake.lua 维护项目构建&#xff0c;相比 makefile/CMakeLists.txt&#xff0c;配置语法更加简洁直观&#xff0c;对新手非常友好&#x…
阅读更多...
知识工程---neo4j 5.12.0+GDS2.4.6安装

知识工程---neo4j 5.12.0+GDS2.4.6安装

&#xff08;已安装好neo4j community 5.12.0&#xff09; 一. GDS下载 jar包下载地址&#xff1a;https://neo4j.com/graph-data-science-software/ 下载得到一个zip压缩包&#xff0c;解压后得到jar包。 二. GDS安装及配置 将解压得到的jar包放入neo4j安装目录下的plugi…
阅读更多...
CTP:关于cc和bindgen库及rust工程组织

CTP:关于cc和bindgen库及rust工程组织

有三个工程目录&#xff0c;cpt-api, ctp-sdk,ctp-strategy 1、ctp-sdk&#xff1a; 主要的目的是基于bindgen库生成与cpp的.h文件相对应一个binding.rs文件&#xff0c;后面供策略使用。 在这个目录下&#xff0c;建一个build.rs,用bindgen库生成cpp.h的头文件相应的rust绑定…
阅读更多...
Cortex-A9 架构

Cortex-A9 架构

一、Cortex-A 处理器运行模式 Cortex-A9处理器有 9中处理模式&#xff0c;如下表所示&#xff1a; 九种运行模式 在上表中&#xff0c;除了User(USR)用户模式以外&#xff0c;其它8种运行模式都是特权模式&#xff0c;在特权模式下&#xff0c;程序可以访问所有的系统资源。这…
阅读更多...
spark SQL 任务参数调优1

spark SQL 任务参数调优1

1.背景 要了解spark参数调优&#xff0c;首先需要清楚一部分背景资料Spark SQL的执行原理&#xff0c;方便理解各种参数对任务的具体影响。 一条SQL语句生成执行引擎可识别的程序&#xff0c;解析&#xff08;Parser&#xff09;、优化&#xff08;Optimizer&#xff09;、执行…
阅读更多...
数据分析：数据分析篇

数据分析：数据分析篇

文章目录 第一章 科学计算库Numpy1.1 认识Ndarray1.2 Ndarray的属性1.3 Numpy中的数据类型1.4 Numpy数组1.4.1 Numpy数组的创建1.4.2 Numpy数组的基本索引和切片1.4.3 Numpy布尔索引1.4.4 数组运算和广播机制1.4.5 Numpy数组的赋值和Copy复制1.4.6 Numpy数组的形状变换1.4.7 Nu…
阅读更多...
【ROS入门】使用 ROS 动作(Action)机制实现目标请求、进度与完成结果的反馈

【ROS入门】使用 ROS 动作(Action)机制实现目标请求、进度与完成结果的反馈

文章结构 任务要求话题模型实现步骤定义action文件按照固定格式创建action文件编辑配置文件编译生成中间文件 编写服务端和客户端vscode配置服务端客户端编译配置文件执行 任务要求 使用 ROS 动作(Action)机制实现目标请求、进度与完成结果的反馈&#xff1a; 创建服务端&…
阅读更多...
推荐算法——Apriori算法原理

推荐算法——Apriori算法原理

0、前言&#xff1a; 首先名字别读错&#xff1a;an pu ruo ao rui 【拼音发音】Apriori是一种推荐算法推荐系统&#xff1a;从海量数据中&#xff0c;帮助用户进行信息的过滤和选择。主要推荐方法有&#xff1a;基于内容的推荐、协同过滤推荐、基于关联规则的推荐、基于知识的…
阅读更多...
leetCode 53.最大子数和 图解 + 贪心算法/动态规划+优化

leetCode 53.最大子数和 图解 + 贪心算法/动态规划+优化

53. 最大子数组和 - 力扣&#xff08;LeetCode&#xff09; 给你一个整数数组 nums &#xff0c;请你找出一个具有最大和的连续子数组&#xff08;子数组最少包含一个元素&#xff09;&#xff0c;返回其最大和。 子数组 是数组中的一个连续部分。 示例 1&#xff1a; 输入…
阅读更多...
字符串，字符数组，类型转换，整数越界，浮点数，枚举

字符串，字符数组，类型转换，整数越界，浮点数，枚举

目录 自动类型转换 强制类型转换 数据类型 sizeof 数据类型所占字节数 整数越界 浮点数 字符型 字符串变量 ​编辑字符串的输入输出 main函数的参数 &#xff0c;argc,argv 单个字符输入输出 putchar getchar strlen,strcmp,strcat,strchr,strstr strlen 求字…
阅读更多...
BASH shell脚本篇4——函数

BASH shell脚本篇4——函数

这篇文章介绍下BASH shell中的函数。之前有介绍过shell的其它命令&#xff0c;请参考&#xff1a; BASH shell脚本篇1——基本命令 BASH shell脚本篇2——条件命令 BASH shell脚本篇3——字符串处理 函数是代码重用的最重要方式。Bash函数可以定义为一组命令&#xff0c;在b…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023