Eine Kovarianzmatrix<\/strong> ist eine quadratische Matrix, die die Kovarianz zwischen vielen verschiedenen Variablen zeigt. Dies kann eine n\u00fctzliche Methode sein, um zu verstehen, wie verschiedene Variablen in einem Datensatz zusammenh\u00e4ngen.<\/span><\/p>\n Das folgende Beispiel zeigt, wie man eine Kovarianzmatrix in Python erstellt.<\/span><\/p>\n F\u00fchren Sie die folgenden Schritte aus, um eine Kovarianzmatrix in Python zu erstellen.<\/span><\/p>\n Schritt 1: Erstellen Sie den Datensatz.<\/strong><\/span><\/p>\n Zun\u00e4chst erstellen wir einen Datensatz mit den Testergebnissen von 10 verschiedenen Sch\u00fclern in drei F\u00e4chern: Mathematik, Naturwissenschaften und Geschichte.<\/span><\/p>\n Schritt 2: Erstellen Sie die Kovarianzmatrix.<\/strong><\/span><\/p>\n Als N\u00e4chstes erstellen wir die Kovarianzmatrix f\u00fcr diesen Datensatz mithilfe der Funktion numpy cov()<\/strong> und geben dabei an, dass Bias = True<\/strong> ist, damit wir die Populationskovarianzmatrix berechnen k\u00f6nnen.<\/span><\/p>\n Schritt 3: Interpretieren Sie die Kovarianzmatrix.<\/strong><\/span><\/p>\n Die Werte entlang der Diagonalen der Matrix sind einfach die Varianzen jedes Subjekts. Zum Beispiel:<\/span><\/p>\n Die anderen Werte der Matrix stellen die Kovarianzen zwischen den verschiedenen Subjekten dar. Zum Beispiel:<\/span><\/p>\n Eine positive Zahl<\/strong> f\u00fcr die Kovarianz zeigt an, dass zwei Variablen tendenziell gleichzeitig zunehmen oder abnehmen. Beispielsweise weisen Mathematik und Naturwissenschaften eine positive Kovarianz (33,2) auf, was darauf hindeutet, dass Sch\u00fcler, die in Mathematik gute Ergebnisse erzielen, tendenziell auch in Naturwissenschaften gute Ergebnisse erzielen. Umgekehrt schneiden Sch\u00fcler, die in Mathematik schlecht abschneiden, tendenziell auch in den Naturwissenschaften schlecht ab.<\/span><\/p>\n Eine negative Zahl<\/strong> f\u00fcr die Kovarianz bedeutet, dass eine zweite Variable tendenziell abnimmt, wenn eine Variable zunimmt. Beispielsweise haben Mathematik und Geschichte eine negative Kovarianz (-24,44), was darauf hindeutet, dass Sch\u00fcler, die in Mathematik gute Ergebnisse erzielen, tendenziell schlechte Ergebnisse in Geschichte erzielen. Umgekehrt erzielen Sch\u00fcler, die in Mathematik schlecht abschneiden, tendenziell gute Ergebnisse in Geschichte.<\/span><\/p>\n So erstellen Sie eine Kovarianzmatrix in Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\n\nmath = [84, 82, 81, 89, 73, 94, 92, 70, 88, 95]\nscience = [85, 82, 72, 77, 75, 89, 95, 84, 77, 94]\nhistory = [97, 94, 93, 95, 88, 82, 78, 84, 69, 78]\n\ndata = np.array([math, science, history])\n<\/strong><\/pre>\n np.cov(data, bias= True<\/span> )\n\narray([[ 64.96, 33.2, -24.44],\n [33.2, 56.4, -24.1],\n [-24.44, -24.1, 75.56]])\n<\/strong><\/pre>\n\n
\n
![\"Kovarianzmatrix](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/covariancematrixpython2.png\")
<\/p>\n![\"Kovarianzmatrix](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/covariancematrixpython3.png\")
<\/p>\n