线性相关性

线性相关性在线性空间中的推广

在三维空间中，共线和共面等关系可以推广到线性空间中的线性相关性。对于线性空间 V，向量集合 S 被称为线性相关，如果存在向量 α1，α2，...，αk 和非零标量 λ1，λ2，...，λk 使得 λ1α1 + λ2α2 +...+ λkαk = 0。线性无关的向量集合是指不存在这样的线性组合。

算法与数据结构 4 2024-05-20

基于非线性相关的数据挖掘新算法* (2007年)

现有的关联规则挖掘算法专注于频繁集搜索，在设定支持度和置信度时存在较大偶然性，不利于精确控制；同时未能全面反映数据整体的相关性。为了克服这些问题，引入了非线性相关的概念，用于各种类型规则的挖掘，无需人工设定参数，显著提升了规则发现的效果。

数据挖掘 2 2024-07-15

数据挖掘算法研究基于非线性相关的创新方法

现有的关联规则挖掘算法专注于频繁集搜索，并依赖于预设的支持度和置信度，存在较大的随机性和控制困难。此外，这些规则未能全面反映数据整体的相关性。为了克服这些问题，引入了非线性相关的概念，用于各种相关类型规则的挖掘，无需人为设定参数，显著提高了规则发现的效率。

数据挖掘 3 2024-07-17

快速计算向量相关性

快速相关算法在C语言中高效、稳定地计算两个向量之间的相关性。将其编译为fastcorr.dll后可供Matlab调用。另提供备用函数SLOWCORRELATION，仅供参考，实际计算中效率较低。

Matlab 3 2024-05-12

解读相关性分析与相关系数

相关性分析与相关系数 相关性分析用于探索两组数据集中数据之间的关系，即使它们采用不同的度量单位。而相关系数 (R) 则量化了这种关系的强度和方向。 计算方法： 相关系数是两组数据集的协方差与其标准偏差乘积的商。 结果解读： R > 0： 表示正相关，即一组数据中的较大值对应于另一组数据中的较大值。 R < 0> 表示负相关，即一组数据中的较大值对应于另一组数据中的较小值。 R = 0： 表示不存在线性相关关系，但并不排除其他类型的关系。 R 的绝对值越接近 1，相关性越强；越接近 0，相关性越弱。

统计分析 2 2024-05-29

深入解析斯皮尔曼相关性系数

解读斯皮尔曼相关性系数 斯皮尔曼相关性系数，也称为等级相关系数，用于评估两个变量之间单调关系的强弱。它并不关注变量间具体的数值关系，而是着眼于它们在排序上的变化趋势。当一个变量的值上升时，另一个变量是倾向于同步上升还是下降，斯皮尔曼相关性系数都能将其捕捉。 这种非参数的统计方法，由英国心理学家查尔斯·斯皮尔曼于20世纪初提出，在无需假设数据服从特定分布的情况下，也能有效衡量变量间的关联程度。无论是线性关系还是非线性关系，只要存在单调趋势，斯皮尔曼相关性系数都能给出可靠的评估结果。

算法与数据结构 3 2024-04-30

变量相关性的计算参数比较

综合多篇文章，总结了计算变量相关性的三个主要参数：皮尔逊相关系数、距离相关和最大信息系数。文章详细介绍了它们各自的计算方法和应用场景。

算法与数据结构 3 2024-07-15

杂草性状与分布危害的相关性研究

为探究影响我国杂草分布和危害程度的生物学因素, 研究人员以 1387 种中国境内杂草为研究对象, 分析了其分布危害等级与 28 个生态适应性状之间的关系。这些性状涵盖种子(果实)产量、传播方式、营养繁殖能力、生活史长短、繁育系统、生活型、花部特征、传粉方式、毒性、刺以及适应的生境类型等。研究结果显示, 对于 1387 种杂草整体而言, 生活史短、花两性、种子产量高、种子(果实)具备特殊传播方式、阳生、有毒以及直立、挺水、莲座状生活型的植物, 其分布危害等级较高。

统计分析 4 2024-05-19

基于akshare数据采集的相关性分析结果

基于akshare数据采集的相关性分析结果

统计分析 3 2024-07-13

MATLAB应用于典型相关性分析数学建模算法

典型相关性分析（CCA）是一种多元统计方法，用于探索两组变量之间的关系。它通过寻找使两组变量之间相关性最大的线性组合来实现其目标。CCA的基本步骤包括：数据准备，数据标准化以确保变量具有一致尺度，构建典型变量，计算它们之间的相关性，并解释典型变量的贡献。该方法在金融、生态学和心理学等领域有广泛应用。

数据挖掘 2 2024-07-18