Korelasi Bukan Sebab-musabab
Perkara yang sebenarnya dinyatakan oleh pekali
Korelasi Bukan Sebab-musabab ialah pelajaran Data Science Academy percuma di CoddyKit. Ini ialah pelajaran 1 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Data Science Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Data Science Academy merangkumi sejumlah 4 pelajaran.
Apakah yang Diukur oleh Korelasi
Korelasi memberitahu anda cara dua pemboleh ubah berubah bersama. Apabila satu meningkat, adakah satu lagi cenderung meningkat, menurun atau tidak berubah? Itulah sahaja yang ditangkapnya. 📈
Julat Pekali
Pekali korelasi berada antara -1 hingga +1. Nilai hampir +1 bermaksud kedua-duanya meningkat bersama, hampir -1 bermaksud satu menurun apabila satu lagi meningkat, dan hampir 0 bermaksud hampir tiada hubungan.
import pandas as pd
r = df["hours"].corr(df["score"])
print(round(r, 2))Hubungan Positif
Korelasi positif bermaksud kedua-dua pemboleh ubah cenderung meningkat bersama. Lebih banyak jam belajar sering berkait dengan markah yang lebih tinggi, lalu menghasilkan nilai yang jelas melebihi sifar.
Hubungan Negatif
Korelasi negatif bermaksud satu pemboleh ubah meningkat apabila satu lagi menurun. Lebih banyak masa di hadapan skrin sebelum tidur mungkin berkait dengan waktu tidur yang lebih singkat, lalu menolak nilai ke bawah sifar.
Perangkap Sebab dan Akibat
Inilah amaran penting: sebab dan akibat bermaksud satu perkara benar-benar menyebabkan perkara lain berlaku. Korelasi tidak pernah membuktikannya dengan sendiri, walau sekuat mana pun kelihatannya. ⚠️
Pemboleh Ubah Tersembunyi
Selalunya, pembaur tersembunyi mendorong kedua-duanya. Jualan aiskrim dan kejadian lemas kedua-duanya meningkat pada musim panas, tetapi haba ialah punca sebenar, bukannya aiskrim itu sendiri.
Korelasi Palsu
Sesetengah hubungan hanyalah kebetulan. Dengan pemboleh ubah yang mencukupi, dua aliran yang tiada kaitan boleh seiring secara kebetulan dan memperdayakan anda untuk melihat cerita yang sebenarnya tiada.
Sebab dan Akibat Terbalik
Kadang-kadang arah anak panah menunjuk ke arah bertentangan. Anda mungkin menganggap X menyebabkan Y, tetapi sebab dan akibat terbalik bermaksud Y sebenarnya mendorong X sepanjang masa.
Ia Tidak Menangkap Lengkung
Korelasi piawai hanya melihat corak garis lurus. Hubungan berbentuk U yang jelas boleh menunjukkan pekali hampir sifar walaupun kedua-duanya mempunyai hubungan yang kuat.
Apakah yang Membuktikan Sebab
Untuk mendakwa wujud sebab, anda biasanya memerlukan eksperimen terkawal, iaitu anda sengaja mengubah satu perkara dan memerhatikan hasilnya sambil memastikan perkara lain kekal tetap.
Tafsir dengan Jujur
Jadi, anggap pekali sebagai petunjuk, bukan keputusan muktamad. Ia mengarahkan anda kepada hubungan yang wajar disiasat, tetapi sebabnya masih memerlukan pertimbangan teliti.
Semakan Pantas
Jualan aiskrim dan kejadian lemas kedua-duanya meningkat pada musim panas. Apakah penjelasan terbaik untuk hubungan ini?
Imbas Kembali
Korelasi menunjukkan cara pemboleh ubah berubah bersama dari -1 hingga +1, tetapi tidak pernah membuktikan sebab. Perhatikan pembaur, kebetulan dan lengkung sebelum membuat kesimpulan. ✅
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Korelasi Bukan Sebab-musabab” percuma?
Ya — teks penuh “Korelasi Bukan Sebab-musabab” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Data Science Academy, tingkat taraf kepada CoddyKit PRO. Kursus Data Science Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Korelasi Bukan Sebab-musabab”?
Perkara yang sebenarnya dinyatakan oleh pekali Anda berlatih Data Science Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Data Science Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Data Science Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 1 daripada 4.
Berapa lamakah pelajaran “Korelasi Bukan Sebab-musabab” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Korelasi Bukan Sebab-musabab
- Pearson berbanding Spearman
- Baca Peta Haba Korelasi
- Kecondongan, Kurtosis dan Kenormalan