Loading [MathJax]/jax/output/CommonHTML/config.js

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

社区首页 >专栏 >如何理解皮尔逊相关系数（Pearson Correlation Coefficient）

如何理解皮尔逊相关系数（Pearson Correlation Coefficient）

week

发布于 2020-08-12 02:58:34

发布于 2020-08-12 02:58:34

1.5K0

举报

文章被收录于专栏：用户画像用户画像

先说结论:

皮尔逊相关系数是余弦相似度在维度值缺失情况下的一种改进, 皮尔逊相关系数是余弦相似度在维度值缺失情况下的一种改进, 皮尔逊相关系数是余弦相似度在维度值缺失情况下的一种改进.

如果参加过高考, 那么肯定会这么一个公式:

cos<a, b> = a • b / |a|•|b|

假设a = (3, 1, 0), b = (2, -1, 2)

分子是a, b两个向量的内积, (3, 1, 0) • (2, -1, 2) = 3•2 + 1•(-1) + 0•2 = 5

分母是两个向量模(模指的是向量的长度)的乘积.

总之这个cos的计算不要太简单...高考一向这是送分题...

然后问题来了, 皮尔逊系数和这个cos啥关系...

皮尔森相关系数计算公式

其实皮尔逊系数就是cos计算之前两个向量都先进行中心化(centered)...就这么简单

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2020/08/11 ，如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

评论

登录后参与评论

暂无评论

编辑精选文章

换一批

万字详解高可用架构设计

Go 开发者必备：Protocol Buffers 入门指南

10分钟带你彻底搞懂分布式链路跟踪

多租户的 4 种常用方案

亿级月活的社交 APP，陌陌如何做到 3 分钟定位故障？

60页PPT全解：DeepSeek系列论文技术要点整理

皮尔逊相关系数（PPMCC或PCC)与余弦相似度（Cosine Similarity）

similarity 变量数据统计推荐系统

皮尔逊相关系数（Pearson Correlation Coefficient），也称为皮尔逊积矩相关系数（Pearson product-moment correlation coefficient，简称PPMCC或PCC），是衡量两个连续变量之间线性相关程度的统计量。它的值域是-1到1之间，其中1表示完全正相关，-1表示完全负相关，而0则表示没有线性相关。

jack.yang

2025/04/05

2710

皮尔逊相关系数

变量数据数组统计 double

皮尔逊相关系数（Pearson Correlation Coefficient）是用于度量两个变量之间线性关系强度和方向的统计量。其值域在-1到1之间，其中：

jack.yang

2025/04/05

2390

皮尔逊相关系数（Pearson Correlation Coefficient）

数组统计 correlation double 变量

皮尔逊相关系数（Pearson Correlation Coefficient）是用于度量两个变量之间线性关系强度和方向的统计量。其值域在-1到1之间，其中：

jack.yang

2025/04/05

4310

皮尔逊相关系数（Pearson Correlation Coefficient）

机器学习中应用到的各种距离介绍（附上Matlab代码）

在做分类时常常需要估算不同样本之间的相似性度量(SimilarityMeasurement)，这时通常采用的方法就是计算样本间的“距离”(Distance)。采用什么样的方法计算距离是很讲究，甚至关系到分类的正确与否。

悟乙己

2019/05/26

4.6K0

【算法】推荐算法--协同过滤

编程算法推荐系统

协同过滤推荐（Collaborative Filtering recommendation）是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。

陆勤_数据人网

2018/07/30

6.6K0

常见计算用户之间的相似度方法有哪些？

字符串变量数据算法原理

模型计算用户之间的相似度方法在多个领域有着广泛应用，以下是对几种常见方法的详细描述：

jack.yang

2025/04/05

2440

常见计算用户之间的相似度方法有哪些？

【机器学习】几种相似度算法分析

编程算法 NLP技术

欧几里得度量（euclidean metric）（也称欧氏距离）是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）。在二维和三维空间中的欧氏距离就是两点之间的实际距离。

全栈程序员站长

2022/07/21

2.5K0

【机器学习】几种相似度算法分析

皮尔森类似度(Pearson Similiarity)计算举例与数学特性和存在问题

Pearson Similiarity 计算案例以下以还有一篇文章中的用户-物品关系为例，说明一下皮尔森类似度的计算过程。皮尔森类似度的原始计算公式为：不继续展开化简：

学到老

2018/04/19

1.3K0

皮尔森类似度(Pearson Similiarity)计算举例与数学特性和存在问题

距离和相似性度量在机器学习中的使用统计

机器学习 html 数据挖掘数据分析

作者：daniel-D 来源：http://www.cnblogs.com/daniel-D/p/3244718.html 在机器学习和数据挖掘中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。最常见的是数据分析中的相关分析，数据挖掘中的分类和聚类算法，如 K 最近邻（KNN）和 K 均值（K-Means）等等。根据数据特性的不同，可以采用不同的度量方法。一般而言，定义一个距离函数 d(x,y), 需要满足下面几个准则： 1) d(x,x) = 0

昱良

2018/04/04

2.6K0

距离和相似性度量在机器学习中的使用统计

几种距离的集中比较

提到检索的方法，比如KNN算法，这些都需要用到“距离”这个尺度去度量两者的近似程度。但是，距离也有很多种，除了我们熟悉的欧氏距离之外，其实还有很多。。。余弦距离：是一种衡量两个向量相关程度的尺度。

微风、掠过

2018/04/10

1.4K0

数学建模--带你彻底明白~~皮尔逊相关系数

数学算法变量函数数据

实际上今天要被介绍的问题大家都很明白，很常见，就是我们的这个短视频，文章之类的根据我们的浏览记录去评估我们的用户的喜好，从而给我们推送相应的视频，文章，让我们更有看下去的欲望，这个就是推荐算法，这个也是现在很常用的一个手段；

阑梦清川

2025/02/24

1630

数学建模--带你彻底明白~~皮尔逊相关系数

【陆勤践行】机器学习中距离和相似性度量方法

机器学习数据挖掘编程算法

在机器学习和数据挖掘中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。最常见的是数据分析中的相关分析，数据挖掘中的分类和聚类算法，如 K 最近邻（KNN）和 K 均值（K-Means）等等。根据数据特性的不同，可以采用不同的度量方法。一般而言，定义一个距离函数 d(x,y), 需要满足下面几个准则： d(x,x) = 0 // 到自己的距离为0 d(x,y) >= 0 // 距离非负 d(x,y) = d(y,x) // 对称性: 如果 A 到 B 距离是 a，那么 B 到 A 的距离也应该

陆勤_数据人网

2018/02/26

1.4K0

【陆勤践行】机器学习中距离和相似性度量方法

文本分析 | 词频与余弦相似度

这个系列打算以文本相似度为切入点，逐步介绍一些文本分析的干货，包括分词、词频、词频向量、文本匹配等等。上一期，我们介绍了文本相似度的概念，通过计算两段文本的相似度，我们可以：对垃圾文本（比如小广告）进行批量屏蔽；对大量重复信息（比如新闻）进行删减；对感兴趣的相似文章进行推荐，等等。那么如何计算两段文本之间的相似程度？上一篇我们简单介绍了夹角余弦这个算法，其思想是：将两段文本变成两个可爱的小向量；计算这两个向量的夹角余弦cos(θ)：夹角余弦为1，也即夹角为0°，两个小向量无缝合体，则相似度

数说君

2018/04/04

1.9K0

文本分析 | 词频与余弦相似度

皮尔森相关系数(Pearson correlation coefficient)「建议收藏」

编程算法机器学习神经网络深度学习人工智能

皮尔森相关系数也称皮尔森积矩相关系数(Pearson product-moment correlation coefficient) ，是一种线性相关系数，是最常用的一种相关系数。记为r，用来反映两个变量X和Y的线性相关程度，r值介于-1到1之间，绝对值越大表明相关性越强。

全栈程序员站长

2022/08/03

9.1K0

皮尔森相关系数(Pearson correlation coefficient)「建议收藏」

【算法】相似度计算方法原理及实现

编程算法微信数据分析数据挖掘搜索引擎

小编邀请您，先思考： 1 相似度如何计算？ 2 相似度有什么应用？温馨提示：加入圈子或者商务合作，请加微信：luqin360 在数据分析和数据挖掘以及搜索引擎中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。常见的比如数据分析中比如相关分析，数据挖掘中的分类聚类（K-Means等）算法，搜索引擎进行物品推荐时。相似度就是比较两个事物的相似性。一般通过计算事物的特征之间的距离，如果距离小，那么相似度大；如果距离大，那么相似度小。比如两种水果，将从颜色，大小，维生素含量等特征进行比较相似性。

陆勤_数据人网

2018/04/18

2.3K0

【算法】相似度计算方法原理及实现

小白学推荐1 | 协同过滤零基础到入门

linux 编程算法推荐系统

协同过滤推荐算法是诞生最早，最为基础的推荐算法。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。

机器学习炼丹术

2020/08/10

6790

皮尔森类似度(Pearson Similiarity)计算举例与数学特性和存在问题

皮尔森相关系数（Pearson correlation coefficient）也叫皮尔森积差相关系数（Pearson product-moment correlation coefficient），是用来反应两个变量相似程度的统计量。或者说可以用来计算两个向量的相似度（在基于向量空间模型的文本分类、用户喜好推荐系统中都有应用）。皮尔森相关系数计算公式如下： ρX,Y=cov(X,Y)σXσY=E((X−μX)(Y−μY))σXσY=E(XY)−E(X)E(Y)E(X2)−E2(X)√E(Y2)−E2(Y)√ρX,Y=cov(X,Y)σXσY=E((X−μX)(Y−μY))σXσY=E(XY)−E(X)E(Y)E(X2)−E2(X)E(Y2)−E2(Y)\rho_{X,Y}=\frac{cov(X,Y)}{\sigma_{X}\sigma_{Y}}=\frac{E((X-\mu_X)(Y-\mu_Y))}{\sigma_{X}\sigma_{Y}}=\frac{E(XY)-E(X)E(Y)}{\sqrt{E(X^2)-E^2(X)}\sqrt{E(Y^2)-E^2(Y)}} 分子是协方差，分母是两个变量标准差的乘积。显然要求X和Y的标准差都不能为0。

学到老

2019/01/25

8.2K0

皮尔森类似度(Pearson Similiarity)计算举例与数学特性和存在问题

数学建模--皮尔逊相关系数、斯皮尔曼相关系数

数据数学变量函数可视化

我们首先要知道这个皮尔逊相关系数里面的两个概念，我们的系数的计算要使用到这两个概念，一个就是总体的均值（就是求和之后求解平均值），xy各是一组数据，我们使用这个x里面的数据减去第一组的均值乘上第二组的数值减去均值，然后做乘法求和，除以on就是这个两组数据的协方差

阑梦清川

2025/02/24

1760

数学建模--皮尔逊相关系数、斯皮尔曼相关系数

Python 实现三维姿态估计遮挡匹配预测

引言：随着计算机技术的飞速发展以及人们对智能化设备需求的提高，人体行为识别已经成为计算机视觉领域热门研究方向之一，其广泛应用于公共安防、人机交互、虚拟现实、体育运动和医疗健康等领域，具有极高的理论研究价值。早期的方法主要针对于 RGB 视频图像，由于易受复杂背景、光照强度的影响，很难达到理想效果。但随着深度传感器技术的发展，高精度获取三维骨架关节点信息变得方便可行。对比传统 RGB 视频图像数据，骨架姿势信息对行为的描述有其内在优势，它不仅能够更准确地描述人体姿态和运动状态而且不受背景复杂度及光照强度等因素的影响，同时骨架信息也可以被广泛应用于行为识别。

AI科技大本营

2022/05/19

7900

Python 实现三维姿态估计遮挡匹配预测

推荐系统基础知识储备

1.1.1 推荐系统概述首先，需要申明一点的就是推荐系统！=推荐算法。推荐系统是一套完善的推荐机制，包括前期数据的准备、具体推荐的过程(这个过程可能是一套复杂的算法模型，也可能是一个简单的规则，也可能是多种模型的混合结果等等)、后期数据的预测、AB测试效果评估等等。

流川枫

2018/09/12

1.2K0

相关推荐

皮尔逊相关系数（PPMCC或PCC)与余弦相似度（Cosine Similarity）

更多 >