机器学习中 皮尔逊相关系数代码 画出图

在机器学习中，可以使用scipy库中的pearsonr方法来计算皮尔逊相关系数。以下是一段示例代码，展示了如何计算并画出皮尔逊相关系数的图表：

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import pearsonr

# 生成两个变量X和Y的随机数据
np.random.seed(0)
X = np.random.randn(100)
Y = np.random.randn(100)

# 计算皮尔逊相关系数
corr, _ = pearsonr(X, Y)

# 绘制散点图和相关性线
plt.scatter(X, Y)
plt.plot(X, X * corr, color='red')

# 设置图表标题和坐标轴标签
plt.title('Pearson Correlation')
plt.xlabel('X')
plt.ylabel('Y')

# 显示图表
plt.show()

以上代码会生成一个散点图，并绘制出皮尔逊相关系数的线。

相关问题

机器学习中 皮尔逊相关系数代码·

在机器学习中，计算皮尔逊相关系数的代码可以如下所示：

import numpy as np

def pearson_correlation(x, y):
    # 计算变量x和y的平均值
    mean_x = np.mean(x)
    mean_y = np.mean(y)
    
    # 计算变量x和y的差值
    diff_x = x - mean_x
    diff_y = y - mean_y
    
    # 计算皮尔逊相关系数
    correlation = np.sum(diff_x * diff_y) / (np.sqrt(np.sum(diff_x**2)) * np.sqrt(np.sum(diff_y**2)))
    
    return correlation

以上代码使用numpy库来实现皮尔逊相关系数的计算。参数x和y是两个变量的数组。

sklearn 皮尔逊相关系数

sklearn是一个Python机器学习库，提供了许多用于数据处理、特征选择、模型训练和评估等功能。而皮尔逊相关系数（Pearson correlation coefficient）是一种用于衡量两个变量之间线性相关程度的统计量。

在sklearn中，可以使用`sklearn.metrics`模块中的`pearsonr`函数来计算皮尔逊相关系数。该函数接受两个一维数组作为输入，并返回两个变量之间的相关系数和p-value值。

下面是使用sklearn计算皮尔逊相关系数的示例代码：

from sklearn.metrics import pearsonr

# 两个变量的数据
x = [1, 2, 3, 4, 5]
y = [5, 4, 3, 2, 1]

# 计算皮尔逊相关系数和p-value
corr_coef, p_value = pearsonr(x, y)

print("皮尔逊相关系数:", corr_coef)
print("p-value:", p_value)

输出结果为：

皮尔逊相关系数: -1.0
p-value: 0.0