Learn AI with Python · درس

الارتباط والتغاير

ارتباط Pearson وSpearman، ومصفوفة التغاير، وتفسير الارتباط في سياق ML.

الارتباط والتغاير درس مجاني في Learn AI with Python على CoddyKit. هذا هو الدرس 4 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Learn AI with Python، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Learn AI with Python 4 دروس في المجموع.

قياس العلاقات

تحدد التغايرية والارتباط كميًا كيفية تحرك متغيرين معًا. وهما أساس اختيار السمات، ونظرية المحافظ الاستثمارية، والتحليل الاستكشافي.

التغايرية

تكون التغايرية موجبة عندما ترتفع المتغيرات معًا، وسالبة عندما يرتفع أحدها بينما ينخفض الآخر. ويعتمد مقدارها على الوحدات، ما يجعل تفسير التغايرية الخام صعبًا.

import numpy as np
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 5, 4, 6])
print(np.cov(x, y, ddof=1))   # 2x2 covariance matrix

مصفوفة التغايرية

تعيد np.cov مصفوفةً تكون عناصر قطرها التباينات، وعناصرها خارج القطر التغايرية بين الأزواج. وهي تعمم على متغيرات عديدة وتشكل أساس PCA.

data = np.array([[1, 2, 3], [2, 4, 5], [3, 6, 7]], dtype=float)
print(np.cov(data.T))   # 3x3 covariance matrix of the columns

الارتباط: التغايرية المُقاسة

يعيد ارتباط بيرسون تحجيم التغايرية إلى النطاق من -1 إلى 1، وذلك بالقسمة على حاصل ضرب الانحرافين المعياريين، ولذلك فهو مستقل عن الوحدات وقابل للمقارنة.

print(np.corrcoef(x, y))   # 2x2 correlation matrix, diagonal is 1

قراءة الارتباط

يشير +1 إلى علاقة خطية موجبة تامة، و-1 إلى علاقة سالبة تامة، و0 إلى عدم وجود علاقة خطية. ومع ذلك، قد تخفي القيم القريبة من 0 نمطًا غير خطي قويًا.

الارتباط في pandas

تحسب df.corr() الارتباطات الزوجية لجميع الأعمدة الرقمية دفعةً واحدة، وهي أسرع طريقة لفحص مجموعة البيانات بحثًا عن العلاقات.

import pandas as pd
df = pd.DataFrame({"a": [1,2,3,4,5], "b": [2,4,5,4,6], "c": [9,7,6,5,3]})
print(df.corr())   # Pearson by default

Pearson مقابل Spearman

يقيس Pearson الارتباط الخطي باستخدام القيم الخام. أما Spearman فيعتمد على الرتب، ولذلك يلتقط أي علاقة رتيبة ويقاوم تأثير القيم الشاذة.

from scipy import stats
x = np.array([1, 2, 3, 4, 100])
y = np.array([1, 2, 3, 4, 5])
print(stats.pearsonr(x, y).statistic)    # distorted by outlier
print(stats.spearmanr(x, y).statistic)   # 1.0 (perfectly monotonic)

اختيار الطريقة

يبدّل df.corr(method="spearman") pandas إلى حساب الارتباط بالرتب. يُفضّل استخدام Spearman عند وجود قيم شاذة أو علاقات غير خطية لكنها رتيبة، واستخدام Pearson مع البيانات الخطية النظيفة.

print(df.corr(method="spearman"))

الارتباط لا يعني السببية

لا يعني الارتباط القوي أن أحد المتغيرين يسبب الآخر. قد يكون هناك متغير مُربك خفي يؤثر في كليهما. اسأل دائمًا عمّا يمكن أن يفسر هذه العلاقة أيضًا.

الارتباط الزائف

عند وجود عدد كبير من المتغيرات، سيرتبط بعضها ببعض مصادفةً بحتة. ترتبط مبيعات المثلجات وحالات الغرق، لأن حرارة الصيف تؤثر فيهما معًا، وليس لأن أحدهما يسبب الآخر. تعامل مع الارتباطات غير المتوقعة بشك.

تصوير البيانات باستخدام خريطة حرارية

تُبرز خريطة الارتباط الحرارية الأنماط بوضوح. وقد تكون أزواج السمات ذات الارتباط القوي زائدة عن الحاجة ومرشحة للحذف قبل بناء النموذج.

# import seaborn as sns
# sns.heatmap(df.corr(), annot=True, cmap="coolwarm")

اختبار سريع

اختبر معرفتك بالارتباط.

مراجعة

أدوات الارتباط:

يوضح التغاير الاتجاه، لكنه يعتمد على الوحدات؛ ويُرجع np.cov المصفوفة
يعيد الارتباط التحجيم إلى النطاق -1..1: np.corrcoef وdf.corr()
Pearson (خطي) مقابل Spearman (رتبي، متين، رتيب)
الارتباط لا يعني السببية؛ احذر المتغيرات المربكة والعلاقات الزائفة

الأسئلة الشائعة

هل درس «الارتباط والتغاير» مجاني؟

نعم — نص درس «الارتباط والتغاير» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Learn AI with Python، انتقل إلى CoddyKit PRO. تتضمن دورة Learn AI with Python 4 دروس في المجموع.

ماذا ستتعلم في «الارتباط والتغاير»؟

ارتباط Pearson وSpearman، ومصفوفة التغاير، وتفسير الارتباط في سياق ML. تتمرن على Learn AI with Python مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.

هل أحتاج إلى خبرة سابقة لأبدأ Learn AI with Python؟

لا تُشترط خبرة سابقة. Learn AI with Python على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 4 من أصل 4.

كم من الوقت يستغرق درس «الارتباط والتغاير»؟

معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.

هل يمكنني كتابة وتشغيل أكواد في درس Learn AI with Python هذا؟

نعم. كل درس في Learn AI with Python يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.

جميع الدروس في هذه الدورة

← العودة إلى Learn AI with Python