方差、协方差、相关系数的理解

方差和协方差机器学习中常见的两个概念，公式也几乎是随处可见，但是每见一次都像是初次见面，又去想半天各种公式、概念和意义，所以下定决心整理一下。

方差和协方差

定义

方差

度量单个随机变量的离散程度，公式如下：
$${\sigma }_x^2=\frac{1}{n-1}\sum _{i=1}^n(x_i-\overline{x}{)}^2$$

协方差

度量两个随机变量（变化趋势）的相似程度，定义如下：
$$\sigma (x,y)=\frac{1}{n-1}\sum _{i=1}^n(x_i-\overline{x})(y_i-\overline{y})$$

$$Cov(X,Y)=E[(X-{\mu }_x)(Y-{\mu }_y)]$$

以上两个公式就可以看出，方差和协方差的定义同宗。

图解

那么方差是怎么衡量随机变量的离散程度的呢？协方差又怎么衡量变量的变化趋势的呢？

方差

图1

离散程度具体来说衡量的是随机变量偏离均值的幅度大小，单个数据点x的偏离幅度为x与x均值的距离平方和。

上图中的右上图和右下图，两个随机变量的均值虽然都为0，但是很明显右下图中随机变量偏离均值的幅度更大，各自的方差为：
$$(2\ast (70-0{)}^2+2\ast (-70-0{)}^2+(-200-0{)}^2+(200-0{)}^2)=99600$$

$$(2\ast (0.01-0{)}^2+2\ast (-0.01-0{)}^2+(-0.02-0{)}^2+(0.02-0{)}^2)=0.001$$

所以右上图的离散变量分布的更紧凑。

协方差

对于变量X、Y，协方差的定义为每个时刻的“X值与其均值之差”乘以“Y值与其均值之差”的均值（其实是求“期望”）。因此，如果x与x的均值差与y与y的均值差的符号相同，则协方差值大于0，符号相反，则协方差值小于0，总结如下：

图2

图3

图4

在图2、3、4中的区域（1）中，有 X>EX ，Y-EY>0 ，所以(X-EX)(Y-EY)>0；

在图2、3、4中的区域（2）中，有 X<EX ，Y-EY>0 ，所以(X-EX)(Y-EY)<0；

在图2、3、4中的区域（3）中，有 X<EX ，Y-EY<0 ，所以(X-EX)(Y-EY)>0；

在图2、3、4中的区域（4）中，有 X>EX ，Y-EY<0 ，所以(X-EX)(Y-EY)<0。

当X 与Y 正相关时，它们的分布大部分在区域（1）和（3）中，小部分在区域（2）和（4）中，所以平均来说，有E(X-EX)(Y-EY)>0 。

当 X与 Y负相关时，它们的分布大部分在区域（2）和（4）中，小部分在区域（1）和（3）中，所以平均来说，有(X-EX)(Y-EY)<0 。

当 X与 Y不相关时，它们在区域（1）和（3）中的分布，与在区域（2）和（4）中的分布几乎一样多，所以平均来说，有(X-EX)(Y-EY)=0 。

所以，我们可以定义一个表示X, Y 相互关系的数字特征，也就是协方差
cov(X, Y) = E(X-EX)(Y-EY)。

当 cov(X, Y)>0时，表明 X与Y 正相关；

当 cov(X, Y)<0时，表明X与Y负相关；

当 cov(X, Y)=0时，表明X与Y不相关。

图5

图6

而大多数情况下，变量X，Y的变化趋势不会像图一一样严格的同增大同减小，大多如图5和图6一样，这时只要求期望就可以了。

相关系数

由协方差的概念相关系数，其定义如下:
$$\rho =\frac{Cov(X,Y)}{{\sigma }_X{\sigma }_Y}$$

就是用X、Y的协方差除以X的标准差和Y的标准差。

在图一中，情况一和情况二的协方差计算如下：

情况一
$$[(100-0)\times (70-0)+(-100-0)\times (-70-0)+(-200-0)\times (-200-0)...]÷6\approx 18000$$
情况二：
$$[(0.01-0)\times (70-0)+(-0.01-0)\times (-70-0)+(-0.02-0)\times (-200-0)...]÷6\approx 1.8$$
由以上计算可知，除了协方差的正负号表示变量的变化趋势是否一致之外，数值的大小还表示变化相似的程度，而相关系数则是协方差的标准化，两种情况的相关系数如下：

情况一：
$${\rho }_1=18000÷(141.42\times 128.84)\approx 0.987$$
情况二：
$${\rho }_2=1.8÷(0.014142\times 128.84)\approx 0.987$$

因此相关系数：

1、也可以反映两个变量变化时是同向还是反向，如果同向变化就为正，反向变化就为负。

2、由于它是标准化后的协方差，因此更重要的特性来了：它消除了两个变量变化幅度的影响，而只是单纯反应两个变量每单位变化时的相似程度。

参考：

如何通俗易懂地解释「协方差」与「相关系数」的概念？ - GRAYLAMB的回答 - 知乎
https://www.zhihu.com/question/20852004/answer/134902061

终于明白协方差的意义了