衡量变量之间的关系

2018/11/22
以往理解的变量之间的关系，都是在数理统计的那个里面，针对相关不相关而言的，这个概念有时候让我感觉有点模糊，我也说不出来为啥， 就是感觉有点模糊。
前段时间把连续性变量之间的这个关系看了一下，其中就提到了相关度（英文是correlation，或者相关系数，它的一个量化），这个概念仅仅使用于线性的关系，这是我很长一段时间都弄错了的概念。那么如果是非线性的线性，又将如何来评判这个关系；而且，可能我第一个问题需要考虑的就是，怎么样评判他们是不是线性的。
关于如何评判非线性的关系。

非线性

具体的网址： https://machinelearningmastery.com/statistical-hypothesis-tests-in-python-cheat-sheet/
不过，看完之后感觉意义并不大。 （不过这个东西倒是让我感觉到了这个机器学习中统计学的作用。)
我觉得非线性的关系，应该也算是一个比较重点的内容。他们的变化关系和评判标准，与线性的要有一定差距。另外，我突然想到的一个名词就是独立这个概念。

再反过来仔细想想，变量之间的关系，我还是没有弄明白，我本来希望的从这部分内容获取到的知识是，

上面这句话，说的不对。我可能理解到那个层次了，但是没表述对。我最开始的时候，想得到的东西，就是变量之间的关系。
啊，我想起来了，我当时的一个想法是，我想比较输入变量之间的关系。

---

2018/11/22
今天看了类别型（妈的，这种变量的名字想不起来了。），书里的内容并不是我想要的内容，不对不对， 要不就是我没理解对。
就是他主要描述的就是关联性，还是得理解理解。
而且这部分内容比较的是两个都是类别型变量之间的关系，可能我还需要一个方式来比较数值型变量和类别行变量之间的关系。

---

2018/11/24
上面的部分都搞错了，搞错了我一直以来想要的东西，而不是说上面的内容错了。我想要的是，输入变量之间的关系，想从这个角度来入手解决特征选择的问题。
不过，今天看了一个文章，虽然整体上这个文章说的也是输入与输出之间的关系，但也反过来也让我有一个想法，输入变量与输出变量之间的关系，同样适用于两个都是输入的变量。
上面图片下面的那个网址，可以提供给我很多思路。
这部分的话，看来需要系统的学习一下，然后整理好，但需要时间。

How to Use Correlation to Understand the Relationship Between Variables
这个网址其实是我通过搜索“relationship of input variables”而得到的，而且的确搜索结果里面很少出现跟我相关的，即使有，也的确是这么个关系，看来我刚刚对比的想法是对的。

2018/11/26
机器学习前期的数据预处理过程中，需要对变量进行一系列的操作，包括降维什么的，这些属于实际应用的过程。我需要将这些实际应用的过程与上述那些内容都关联起来。
2018/11/27
如果是两个输入变量相关的话，那么他们会不会对这个输入有影响；我记得好像是降维的部分对这个内容有过说法。那么如果不用降维的方法，整体上对算法的效果有什么影响。

---

2018/11/27

以前弄搞错方向了，总觉得有什么高深的东西在这个变量的关系身上，然后基础的东西也没仔细看。其实没那么麻烦，都是一点一点进阶的。