相关系数矩阵 python,

　　利用相关矩阵对数据进行聚类是一个合理的想法，但必须先处理相关性。首先，numpy.corrcoef返回的相关矩阵受机器算术错误的影响：

　　不一定对称。

　　对角项不总是1。

　　它们可以通过使用反向平均来固定，对角线可以用1填充。

　　将numpy作为np导入

　　Data=NP.random.randint (0 0，10，size=) 20，10)# 20可变宽度各10个观察值

　　corr=NP.corrcoef(data ) # 20乘20相关矩阵

　　corr=(corrcorr.t )/2 #

　　NP.fill_diagonal(corr，1 ) #在对角线上放1

　　然后，在链接等分组方式的输入中，需要衡量对象的相异度。因为相关性度量相似性，所以需要将其转换为0。有很多关联，1关联映射到0。

　　这篇博客文章讨论了这种数据转换的几种方法，并建议不相似性=1ABS(相关性)。这种思想是强负相关的，也说明了物体之间的相关性和正相关一样。下面是例子的后续。

　　来自scipy . cluster . hierarchyimportlinkage，fcluster

　　来自scipy . spatial . distance importsquareform

　　相异度=1 - np.abs(corr)

　　Hierarchy=linkage(方形(相异)，method= average )。

　　labels=fcluster(Hierarchy，0.5，criterion=distance ())))))))

　　注意不要向链路提供完整的距离矩阵。需要先用方块压缩。

　　使用哪种确切的聚类方法和阈值取决于问题的背景。没有通用的规则。我这样做是因为通常0.5用于相关的合理阈值。用我的20组随机数，最终得到了7个集群。它在标签上

　　[7、7、7、1、4、4、2、7、5、7、2、5、6、3、6、1、5、1、4、2]

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。