计算数学精解【11】-prolog计算精解（7）

未来之蓝

于 2024-08-11 18:33:15 发布

阅读量746

点赞数 9

分类专栏：计算数学文章标签：人工智能算法 prolog

本文链接：https://blog.csdn.net/sakura_sea/article/details/141103875

版权

计算数学专栏收录该内容

11 篇文章 0 订阅

订阅专栏

文章目录

相关度
参考文献

相关度

皮尔逊相似度

get_xij([Xij|Tail],Xij,Tail).
get_x12(A,B,X1,X2,Tail1,Tail2):-get_xij(B,X2,Tail2),get_xij(A,X1,Tail1).

%get_sum
get_sum(A,B,SA,SB,RA,RB):- get_xij(A,Ai,TailA),get_xij(B,Bi,TailB),SA1 is SA+Ai,SB1 is SB+Bi,
get_sum(TailA,TailB,SA1,SB1,RA,RB).
get_sum([],[],SA,SB,RA,RB):- RA is SA,RB is SB.

%get_mean
get_mean(A,B,MA,MB):- length(A,NA),length(B,NB),get_sum(A,B,0,0,SA,SB),
MA is SA/NA,MB is SB/NB.

%get_cha
get_cha(A,B,MA,MB,ChaALst,ChaBLst,ChaAL,ChaBL):- get_xij(A,Ai,TailA),get_xij(B,Bi,TailB),
ChaA is Ai-MA,ChaB is Bi-MB,
append(ChaALst, [ChaA], ChaALst1),append(ChaBLst, [ChaB], ChaBLst1),
get_cha(TailA,TailB,MA,MB,ChaALst1,ChaBLst1,ChaAL,ChaBL).
get_cha([],[],_,_,ChaALst,ChaBLst,ChaAL,ChaBL):- ChaAL=ChaALst,ChaBL=ChaBLst.

%get_chachensum
get_chachensum(ChaALst,ChaBLst,S,RS):- get_xij(ChaALst,Ai,TailA),get_xij(ChaBLst,Bi,TailB),
S1 is S+Ai*Bi,
get_chachensum(TailA,TailB,S1,RS).
get_chachensum([],[],S,RS):- RS is S.

get_SCha(ChaALst,ChaBLst,ChaSA,ChaSB,RChaA,RChaB):- get_xij(ChaALst,Ai,TailA),get_xij(ChaBLst,Bi,TailB),
pow(Ai,2,SA1),SA2 is ChaSA+SA1,
pow(Bi,2,SB1),SB2 is ChaSB+SB1,
get_SCha(TailA,TailB,SA2,SB2,RChaA,RChaB).
get_SCha([],[],ChaSA,ChaSB,RChaA,RChaB):- RChaA is ChaSA,RChaB is ChaSB.

get_xiefangcha(ChaALst,ChaBLst,Xiefangcha):- get_chachensum(ChaALst,ChaBLst,0,ChaS),
length(ChaALst,NA),Xiefangcha is ChaS/NA.


get_SCha_Result(ChaALst,ChaBLst,ResultA,ResultB):-get_SCha(ChaALst,ChaBLst,0,0,ChaSA,ChaSB),length(ChaALst,NA),
sqrt(ChaSA/NA,ResultA),sqrt(ChaSB/NA,ResultB).

get_r(A,B,Result):- get_mean(A,B,MA,MB),
get_cha(A,B,MA,MB,[],[],ChaAL,ChaBL),
get_xiefangcha(ChaAL,ChaBL,Xiefangcha),
get_SCha_Result(ChaAL,ChaBL,ResultA,ResultB),
Result is Xiefangcha/(ResultA*ResultB).


like(A,B,Rsabs,Result):-get_r(A,B,Result),abs(Result,Rsabs).

get_B([A|Tail],A,Tail).

most_like(A,Lst,Maxresult,X):- get_B(Lst,B,Tail),like(A,B,Result,Rs),
write(A),write('-'),write(B),write('='),write(Result),write('#'),write(Rs),write('===>'),write(Tail),nl,
(Maxresult < Result -> Maxresult1 is Result,X1=B; 
Maxresult1 is Maxresult,X1=X),
most_like(A,Tail,Maxresult1,X1).

most_like(A,[],Maxresult,X1):-write(A),write('->'),write(X1),nl,write(Maxresult),nl.

?- 
|    load('e:/learn/learn.pro').
Correct to: "win_menu:load('e:/learn/learn.pro')"? 
Please answer 'y' or 'n'? yes
true.

?- most_like([19,29,103],[[17,22,209],[-33,-24,41],[55,62,9],[8,32,11],[42,27,98]],0,[]).
[19,29,103]-[17,22,209]=0.9962749150530827#0.9962749150530827===>[[-33,-24,41],[55,62,9],[8,32,11],[42,27,98]]
[19,29,103]-[-33,-24,41]=0.9999968923498329#0.9999968923498329===>[[55,62,9],[8,32,11],[42,27,98]]
[19,29,103]-[55,62,9]=0.9734267352449261#-0.9734267352449261===>[[8,32,11],[42,27,98]]
[19,29,103]-[8,32,11]=0.29499508345624664#-0.29499508345624664===>[[42,27,98]]
[19,29,103]-[42,27,98]=0.9520353184598399#0.9520353184598399===>[]
[19,29,103]->[-33,-24,41]
0.9999968923498329
true .

原理

皮尔逊相似度，在更严谨的学术表述中，通常被称为皮尔逊相关系数（Pearson Correlation Coefficient），是衡量两个变量之间线性相关程度的一个统计指标。它的值域为[-1, 1]，其中1表示完全正相关，-1表示完全负相关，0表示没有线性相关关系。以下是对皮尔逊相似度（皮尔逊相关系数）的定义、计算和例题的详细解答。

一、定义

皮尔逊相关系数 $r$ 是用来衡量两个变量 $X$ 和 $Y$ 之间线性关系强度和方向的统计量。其计算公式基于两个变量的协方差和它们各自的标准差。

二、计算

皮尔逊相关系数的计算公式为：

$\frac{\sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n} (x_i - \bar{x})^2} \sqrt{\sum_{i=1}^{n} (y_i - \bar{y})^2}}$

其中：

$n$ 是观测值的数量。
$x_i$ 和 $y_i$ 分别是两个变量在第 $i$ 个观测值上的取值。
$\bar{x}$ 和 $\bar{y}$ 分别是 $x$ 和 $y$ 的平均值（即样本均值）。

计算步骤可以归纳为：

计算两个变量的平均值。
计算每个观测值与平均值的差。
计算这些差的乘积的和。
计算每个变量差的平方和，并开方得到标准差。
将步骤3的结果除以步骤4中两个标准差的乘积，得到皮尔逊相关系数。

例子1

以下内容由文心一言的自动生成
例题

例题：计算两组数据之间的皮尔逊相关系数。

数据集A: 1, 2, 3, 4, 5
数据集B: 2, 3, 5, 7, 11

解答：

计算平均值：

$\bar{x} = \frac{1+2+3+4+5}{5} = 3$
$\bar{y} = \frac{2+3+5+7+11}{5} = 5.6$

计算差值：

$x_i - \bar{x}$ 分别为 $- 2, - 1, 0, 1, 2$
$y_i - \bar{y}$ 分别为 $- 3.6, - 2.6, - 0.6, 1.4, 5.4$

计算协方差：

$\sum_{i=1}^{5} (x_i - \bar{x})(y_i - \bar{y}) = (-2 \times -3.6) + (-1 \times -2.6) + (0 \times -0.6) + (1 \times 1.4) + (2 \times 5.4) = 7.2 + 2.6 + 0 + 1.4 + 10.8 = 22$

计算标准差：

$\sqrt{\sum_{i=1}^{5} (x_i - \bar{x})^2} = \sqrt{(-2)^2 + (-1)^2 + 0^2 + 1^2 + 2^2} = \sqrt{4 + 1 + 0 + 1 + 4} = \sqrt{10}$
$\sqrt{\sum_{i=1}^{5} (y_i - \bar{y})^2} = \sqrt{(-3.6)^2 + (-2.6)^2 + (-0.6)^2 + 1.4^2 + 5.4^2} = \sqrt{12.96 + 6.76 + 0.36 + 1.96 + 29.16} = \sqrt{41.2}$

计算皮尔逊相关系数：

$\frac{22}{\sqrt{10} \times \sqrt{41.2}} \approx 0.925$

因此，数据集A和数据集B之间的皮尔逊相关系数约为0.925，表示两个数据集之间存在很强的正相关关系。

例子2

皮尔逊相关系数（Pearson Correlation Coefficient）是衡量两个变量之间线性关系强度和方向的统计量。以下是一个皮尔逊相关系数的具体例子，用于说明其计算和应用。

假设我们有一组学生的数学成绩（X）和物理成绩（Y）的数据，我们想要知道这两个成绩之间是否存在线性关系，以及这种关系的强度和方向。

数据如下：

学生编号	数学成绩（X）	物理成绩（Y）
1	85	92
2	76	83
3	90	95
4	68	72
5	82	88

计算步骤：

计算平均值：

数学成绩的平均值 $\bar{X} = \frac{85 + 76 + 90 + 68 + 82}{5} = 80.2$
物理成绩的平均值 $\bar{Y} = \frac{92 + 83 + 95 + 72 + 88}{5} = 86$

计算差值（每个观测值与平均值的差）：

对于数学成绩： $X_i - \bar{X}$
对于物理成绩： $Y_i - \bar{Y}$

（这里不列出所有差值，仅作为说明）

计算协方差： $\text{Cov}(X, Y) = \frac{1}{n} \sum_{i=1}^{n} (X_i - \bar{X})(Y_i - \bar{Y})$ 将具体数值代入公式计算协方差（此处略去详细计算过程）。

计算标准差：

数学成绩的标准差 $S_X = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (X_i - \bar{X})^2}$
物理成绩的标准差 $S_Y = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (Y_i - \bar{Y})^2}$

同样，这里不列出具体计算过程。

计算皮尔逊相关系数： $\frac{\text{Cov}(X, Y)}{S_X S_Y}$

假设我们已经计算出了协方差和两个标准差的具体值，现在将它们代入公式得到皮尔逊相关系数 $r$ 。

假设结果（因为实际计算过程未展示，这里给出一个假设的结果）：

假设 $\text{Cov}(X, Y) \approx 40$
假设 $S_X \approx 8$
假设 $S_Y \approx 9$

则皮尔逊相关系数 $\approx \frac{40}{8 \times 9} \approx 0.56$

解释：

$\approx 0.56$ 表示数学成绩和物理成绩之间存在正相关关系，但相关程度不是特别强（因为 $r$ 值接近0.5，而不是接近1或-1）。
这意味着，在一定程度上，数学成绩好的学生往往物理成绩也好，但这种关系不是绝对的，因为还有其他因素可能影响物理成绩。

请注意，上面的协方差、标准差和皮尔逊相关系数都是假设的，实际计算时需要根据给定的数据具体计算。