Learn AI with Python · Ders

Korelasyon ve Kovaryans

Pearson/Spearman korelasyonu, kovaryans matrisi ve makine öğrenmesi bağlamında korelasyonu yorumlama.

Korelasyon ve Kovaryans, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 4. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.

İlişkileri Ölçme

Kovaryans ve korelasyon, iki değişkenin birlikte nasıl hareket ettiğini niceliksel olarak ifade eder. Bunlar özellik seçiminin, portföy teorisinin ve keşifsel analizin temelini oluşturur.

Kovaryans

Kovaryans, değişkenler birlikte yükseldiğinde pozitif, biri yükselirken diğeri düştüğünde negatiftir. Büyüklüğü birimlere bağlıdır; bu nedenle ham kovaryansı yorumlamak zordur.

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

Kovaryans Matrisi

np.cov bir matris döndürür: köşegenlerde varyanslar, köşegen dışındaki hücrelerde ise çiftler arasındaki kovaryans bulunur. Bu yapı birçok değişkene genellenir ve PCA'nın temelini oluşturur.

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

Korelasyon: Ölçeklendirilmiş Kovaryans

Pearson korelasyonu, kovaryansı standart sapmaların çarpımına bölerek -1 ile 1 aralığına yeniden ölçeklendirir; böylece birimden bağımsız ve karşılaştırılabilir hâle gelir.

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

Korelasyonu Okuma

+1 kusursuz pozitif doğrusal ilişkiyi, -1 kusursuz negatif ilişkiyi, 0 ise LINEAR ilişki olmadığını gösterir. 0'a yakın değerler yine de güçlü bir doğrusal olmayan örüntüyü gizleyebilir.

pandas'ta Korelasyon

df.corr(), tüm sayısal sütunlar arasındaki ikili korelasyonları tek seferde hesaplar; bir veri kümesindeki ilişkileri taramanın en hızlı yoludur.

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 ve Spearman karşılaştırması

Pearson, ham değerler arasındaki DOĞRUSAL ilişkiyi ölçer. Spearman RANKS üzerinde çalışır; bu nedenle her türlü monoton ilişkiyi yakalar ve aykırı değerlere direnç gösterir.

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)

Yöntem seçimi

df.corr(method="spearman"), pandas'ı sıra korelasyonuna geçirir. Aykırı değerler veya doğrusal olmayan ancak monoton ilişkiler varsa Spearman'ı; temiz ve doğrusal verilerde ise Pearson'ı tercih edin.

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

Korelasyon NOT Nedenselliktir

Güçlü bir korelasyon, bir değişkenin diğerine neden olduğu anlamına gelmez. Gizli bir karıştırıcı değişken her ikisini de etkiliyor olabilir. Bu bağlantıyı başka nelerin açıklayabileceğini her zaman sorgulayın.

Sahte korelasyon

Yeterince fazla değişken olduğunda bazıları tamamen rastlantı sonucu korelasyon gösterebilir. Dondurma satışları ile boğulma vakaları korelasyon gösterir; ancak bunları birbirinden bağımsız olarak yaz sıcakları etkiler. Beklenmedik korelasyonlara kuşkuyla yaklaşın.

Heatmap ile görselleştirme

Bir korelasyon heatmap'i örüntüleri belirginleştirir. Güçlü korelasyon gösteren özellik çiftleri gereksiz tekrar içerebilir ve modelleme öncesinde kaldırılmaya aday olabilir.

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

Hızlı kontrol

Korelasyon bilginizi sınayın.

Özet

Korelasyon araç seti:

Kovaryans yönü gösterir ancak birime bağlıdır; matrisi np.cov verir
Korelasyon, ölçeği -1..1 aralığına getirir: np.corrcoef, df.corr()
Pearson (doğrusal) ve Spearman (sıralı, dayanıklı, monoton) karşılaştırması
Korelasyon nedensellik değildir; karıştırıcı değişkenlere ve sahte bağlantılara dikkat edin

Sıkça Sorulan Sorular

“Korelasyon ve Kovaryans” dersi ücretsiz mi?

Evet — “Korelasyon ve Kovaryans” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.

“Korelasyon ve Kovaryans” dersinde ne öğreneceğim?

Pearson/Spearman korelasyonu, kovaryans matrisi ve makine öğrenmesi bağlamında korelasyonu yorumlama. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 4. dersidir.

“Korelasyon ve Kovaryans” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

← Learn AI with Python Sayfasına Dön