目录

  • 1 课程介绍
    • 1.1 欢迎词
    • 1.2 课程说明
    • 1.3 课程设计
      • 1.3.1 学习目标
      • 1.3.2 学习内容
      • 1.3.3 学习活动
    • 1.4 教师团队
    • 1.5 先修知识及必备技能
      • 1.5.1 平台使用指南
      • 1.5.2 先修知识
      • 1.5.3 必备技能
  • 2 第一章 商务智能概述
    • 2.1 1.1 商务智能的概念
    • 2.2 1.2 商务智能的核心技术和框架
    • 2.3 1.3 商务智能的组成要素
    • 2.4 1.4 商务智能的分析流程
  • 3 第二章 数据仓库
    • 3.1 2.1 数据仓库的概念
    • 3.2 2.2 数据仓库系统开发概述
    • 3.3 2.3 多维数据模型
    • 3.4 2.4 OLAP
  • 4 可视化 混合式作业
    • 4.1 可视化操作
  • 5 第三章 数据准备
    • 5.1 3.1 讨论:数据准备好了么?
    • 5.2 3.2 数据准备
    • 5.3 3.3 数据类型及处理方式
    • 5.4 3.4 数据准备主要步骤
  • 6 第四章 相关分析
    • 6.1 4.1 相关分析 基本概念
    • 6.2 4.2 相关关系理论和实践
    • 6.3 新建课程目录
  • 7 第五章 聚类分析
    • 7.1 5.1 聚类分析i概念和内容
    • 7.2 5.2 K-means 聚类算法
  • 8 第六章 回归分析
    • 8.1 6.1 回归分析
    • 8.2 6.2 一元线性回归
      • 8.2.1 6.3 回归分析中的梯度问题
    • 8.3 6.4 逻辑回归
  • 9 第七章 分类分析
    • 9.1 7.1 分类分析的原理
    • 9.2 7.2 贝叶斯分类基本原理
    • 9.3 7.3 决策树分类基本原理
    • 9.4 7.4 神经网络分类基本原理
  • 10 第八章 关联分析
    • 10.1 8.1 关联分析原理
    • 10.2 8.2 关联分析的基本算法
  • 11 第九章 文本挖掘
    • 11.1 9.1 文本挖掘的基本原理
    • 11.2 9.2 文本挖掘流程与技术
    • 11.3 9.3 中文分词方法
  • 12 第十章 大数据分析
    • 12.1 10.1 大数据与云计算 基本概念
    • 12.2 10.2 Hadoop 基本概念
    • 12.3 10.3 Spark 基本概念
  • 13 第十一章 社会网络
    • 13.1 11.1 社会网络与博弈论
    • 13.2 11.2 社会网络的基本问题
    • 13.3 11.3 社会网络的基本原则
  • 14 实验内容
    • 14.1 数据挖掘 实验一 决策树
    • 14.2 数据挖掘 实验二  K-MEANS 聚类
    • 14.3 数据挖掘 实验三 神经网络
    • 14.4 数据挖掘 实验四  关联规则
    • 14.5 rapidminer 操作视频示例
  • 15 第十六单元
    • 15.1 答辩及大作业提交
4.1 相关分析 基本概念

相关分析(Correlation Analysis)是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法。例如,人的身高和体重;空气的相对湿度与降雨量。相关分析与回归分析之间的区别:回归分析侧重于研究随机变量间的依赖关系,以便用一个变量去预测另一个变量;相关分析侧重于发现随机变量间的种种相关特性。相关分析在工农业、水文、气象、社会经济和生物学等方面都有广泛的应用。


相关图:

四种类型的相关图,第一个是强的正相关关系,第二个是强的负相关关系,第三个是强的曲线相关关系,第四个没有相关关系

image.png


相关系数和相关程度:

相关系数取值范围

r=0

|r|<0.3

|r|=0.3~0.5

|r|=0.5~0.8

|r|>0.8

|r|=1

相关程度

无相关

微弱相关

低度相关

显著相关

高度相关

完全相关