Kovarianssi
Kovarianssi on kahden satunnaismuuttujan yhteisvaihtelun mitta.
Kaavat otos- ja perusjoukon kovarianssille eroavat toisistaan, mutta niitä ei käsitellä tässä tarkemmin. Tässä luvussa keskitytään kovarianssin laskemiseen seuraavasta aineistosta:
Store_ID: the unique id of the store;Store_Area: the area of the store;Items_Available: the number of items that are available in the store;Daily_Customer_Count: the daily number of customers in the store;Store_Sales: the number of sales in the store.
Kovarianssin laskeminen Pythonilla
Kovarianssin laskemiseen Pythonissa käytetään NumPy-kirjaston np.cov()-funktiota. Se ottaa kaksi parametria: tietojonot, joiden välistä kovarianssia halutaan laskea.
Tulos löytyy indeksistä [0,1]. Tämän kurssin puitteissa muita tulosarvoja ei käsitellä, katso esimerkki:
123456789import pandas as pd import numpy as np df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/update/Stores.csv') # Calculating covariance cov = np.cov(df['Store_Area'], df['Items_Available'])[0,1] print(round(cov, 2))
Tämä osoittaa, että arvot liikkuvat samaan suuntaan. Tämä on loogista, koska suurempi myymäläalue tarkoittaa suurempaa tavaramäärää. Yksi merkittävä kovarianssin haittapuoli on, että arvo voi olla ääretön.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain what the other values in the np.cov() output mean?
How does covariance differ from correlation?
Can you show how to interpret a negative covariance with an example?
Awesome!
Completion rate improved to 2.63Kovarianssi
Pyyhkäise näyttääksesi valikon
Kovarianssi on kahden satunnaismuuttujan yhteisvaihtelun mitta.
Kaavat otos- ja perusjoukon kovarianssille eroavat toisistaan, mutta niitä ei käsitellä tässä tarkemmin. Tässä luvussa keskitytään kovarianssin laskemiseen seuraavasta aineistosta:
Store_ID: the unique id of the store;Store_Area: the area of the store;Items_Available: the number of items that are available in the store;Daily_Customer_Count: the daily number of customers in the store;Store_Sales: the number of sales in the store.
Kovarianssin laskeminen Pythonilla
Kovarianssin laskemiseen Pythonissa käytetään NumPy-kirjaston np.cov()-funktiota. Se ottaa kaksi parametria: tietojonot, joiden välistä kovarianssia halutaan laskea.
Tulos löytyy indeksistä [0,1]. Tämän kurssin puitteissa muita tulosarvoja ei käsitellä, katso esimerkki:
123456789import pandas as pd import numpy as np df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/update/Stores.csv') # Calculating covariance cov = np.cov(df['Store_Area'], df['Items_Available'])[0,1] print(round(cov, 2))
Tämä osoittaa, että arvot liikkuvat samaan suuntaan. Tämä on loogista, koska suurempi myymäläalue tarkoittaa suurempaa tavaramäärää. Yksi merkittävä kovarianssin haittapuoli on, että arvo voi olla ääretön.
Kiitos palautteestasi!
