向量下的相关系数R聚类

最新推荐文章于 2021-11-09 18:28:46 发布

r&sf

最新推荐文章于 2021-11-09 18:28:46 发布

阅读量1k

点赞数

分类专栏：笔记

本文链接：https://blog.csdn.net/qq_44713358/article/details/105446378

版权

这篇博客讨论了如何度量随机变量的相似性，重点介绍了相关系数在多维空间中的应用。文章通过标准化过程解释了协差阵和相关阵之间的关系，并探讨了在二维或三维空间中判断向量相似性的方法，包括位置、长度、方向和夹角余弦。此外，还阐述了随机变量内积的概念，以及相关系数在衡量随机变量间‘角度’的意义。

摘要由CSDN通过智能技术生成

随机变量的相似性度量

随机变量是如何度量相似性/相关性的？

方差 $D(x_i)=cov(x_i,x_i)=E^2(x_i-E(x_i))$
事实上，对 $\mathbf x$ 而言，其方差是一个矩阵，记作协差阵 $\Sigma$ ，即 $\Sigma=\begin{bmatrix}cov(x_1,x_1)&\cdots&cov(x_1,x_p)\\\vdots&&\vdots \\cov(x_p,x_1)&\cdots&cov(x_p,x_p)\end{bmatrix}=\begin{bmatrix}\sigma_{11}&\cdots&\sigma_{1p}\\\vdots&&\vdots \\\sigma_{p1}&\cdots&\sigma_{pp}\end{bmatrix}$
多维随机变量的相似性由相关系数阵 $\mathbf R$ 度量 $\mathbf R=\begin{bmatrix}\frac{cov(x_i,x_j)}{\sqrt{\sigma_{ii}}\sqrt{\sigma_{jj}}}\end{bmatrix}=\begin{bmatrix}r_{11}&\cdots&r_{1p}\\\vdots&&\vdots \\r_{p1}&\cdots&r_{pp}\end{bmatrix}$