Correlación no es causalidad
Parte de la sección Estadística para ML del Journey de Machine Learning de Coddy. Lección 33 de 64.
r solo detecta líneas rectas. Aquí, y está completamente determinada por x y, aun así, r es 0:
La mitad descendente cancela la mitad ascendente. Una r cercana a 0 significa que no hay una línea recta, no que no haya relación: representa los datos antes de descartar una característica.
Y un punto muy alejado puede falsear un valor alto de r, así que primero revisa los valores atípicos:
Por último, r nunca demuestra una causa. Los niños mayores tienen zapatos más grandes y leen mejor: la edad, una tercera variable oculta, influye en ambas cosas.
Desafío
IntermedioUna tienda de té prueba sus tazas: steep y taste para 9 tazas (minutos de infusión, puntuación), sugar y score para otras 10 (terrones de azúcar, puntuación). El programa lee el azúcar de una taza adicional y después la puntuación.
- Imprime el
rde steep y taste. - Imprime el
rde sugar y score, y después con la taza adicional incluida.
Redondea a 2 decimales y etiqueta como se muestra abajo. Para otra tienda y una taza adicional 10, 2.0:
Steeping r: -0.05
Sugar r: -0.23
Sugar r with the extra cup: -0.88Pruébalo tú mismo
import numpy as np
# Tiempo de infusión en minutos y puntuación del sabor de 9 tazas
steep = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
taste = np.array([3.1, 5.0, 6.6, 7.7, 8.1, 7.6, 6.5, 5.1, 3.4])
# Terrones de azúcar y puntuación del sabor de otras 10 tazas
sugar = np.array([0, 2, 1, 3, 0, 2, 1, 3, 2, 1])
score = np.array([6.5, 5.8, 7.4, 6.1, 5.9, 7.0, 6.2, 6.8, 6.4, 5.7])
# La taza adicional
extra_sugar = float(input())
extra_score = float(input())
# Escribe tu código a continuación
Ponte a pruebaEsta lección incluye un breve cuestionario. Empieza la lección para responderlo y registrar tu progreso.
Todas las lecciones de Estadística para ML
1Centro y dispersión
Media y medianaPercentiles y cuartilesVarianza y desviación estándar¿Muestra o población?El valor más frecuenteRepaso: tiempos de entrega4Muestras y poblaciones
Población y muestraLas medias muestrales varíanLa distribución muestralMuestras más grandes, menos ruidoRepaso: Encuestar a un pueblo7Líneas de tendencia
ResiduosAjuste por mínimos cuadradosTrazar el ajustePredecir con una línea¿Qué tan bueno es el ajuste?Repaso: horas de práctica10Codificación de categorías
Categorías como númerosCodificación one-hotAgrupación de números en intervalosRepaso: anuncios de autos2Distribuciones
Histogramas de densidadFormas de los datosCurva normalRegla del 68-95-99,7Puntuaciones zRepaso: duración de la batería5Valores atípicos
Diagramas de cajaLa regla del RICLa regla del valor ZTratamiento de valores atípicosRepaso: fallos de los sensores3Probabilidad mediante simulación
La probabilidad como frecuenciaLa ley de los grandes númerosSuma de dadosValor esperadoProbabilidad condicionalRepaso: probabilidades del puesto de dados6Relaciones
Lectura de diagramas de dispersiónCorrelaciónMatriz de correlaciónMapas de calor de correlaciónCorrelación no es causalidadRepaso: helado y sol9Escalado de características
Por qué escalar las característicasEscalado mín-máxEstandarizaciónStandardScalerRepaso: compañeros de escaladaPractica por tu cuenta: Compilador de Python online