zabbix 图形的平均值平均值的图片

转载

云端梦想实现家 2024-05-16 10:49:20

文章标签 zabbix 图形的平均值人工智能协方差方差协方差矩阵 文章分类 运维

机器视觉中，常用到协方差相关的知识，特别是基于统计框架下的机器学习算法，几乎无处不在的用到它，因此了解协方差是再基础不过的了。这里推荐一个很不错的基础教程：协方差的意义和计算公式

均值和方差 引入协方差之前，先简单回顾下概率统计中的两个重要基础概念：均值和方差。均值，顾名思义就是一堆样本的平均值，方差就是样本和均值的平均偏差。对于给定的n个样本,那么样本集的均值和方差可以分别这样来定义：

名称	公式	解释
均值	\(\bar{X}=\frac{\sum_{i=1}^{n}X_{i}}{n}\)	样本的平均值，即样本的中心点，例如{1 2,3,4}的均值是2.5
标准差	\(S=\sqrt{\frac{\sum_{i=1}^{n}(X_{i}-\bar{X})^2}{n-1}}\)	样本点到中心点的平均距离，所以这里做了平方再开方。注意这里采用了除以n-1，目的是为了用更少的样本就可以趋近于总体的标准差。例如{1 2,3,4}的标准差
方差	\(S^2=\frac{\sum_{i=1}^{n}(X_{i}-\bar{X})^2}{n-1}\)	样本点到中心点的平均距离的平方，用平方是为了方便计算，因为是一一对应的正相关关系，所以意义和标准差一样，免去了开放带来的复杂计算。

zabbix 图形的平均值平均值的图片_zabbix 图形的平均值

　　均值（中心点）和方差的图示如下所示：

zabbix 图形的平均值平均值的图片_方差_02

协方差和相关系数 方差描述的是一维数据上的统计量。而在实际中，还会考察两个统计量之间的相关性，例如人的身高和两手撑开的长度是否由相关性？男人越坏是不是女人就越爱？那这个时候就可以用协方差来刻画了。
以男人越坏女人越爱为例，假设采访了二十对情侣，得到下面的数据：

男人坏的程度	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20
女人爱的程度	2.58	3.39	3.75	4.80	4.93	5.91	5.68	6.26	6.64	7.13	8.36	8.57	9.04	9.14	10.35	10.62	10.85	11.51	11.90	12.07

　　　　我们画个二维点图，很容易发现，他们是线性相关的，如下图所示：

zabbix 图形的平均值平均值的图片_zabbix 图形的平均值_03

　　　　直观上，如果男人坏的程度和女人爱的程度如果是成正比例的话，就是说如果男人越坏女人越爱男人，那么我们就认为他们是正相关的，如果是反比例的话，就是说男人越坏女人越不爱男人，那么我们就认为他们是负相关的。如果女人爱不爱男人和男人坏不坏没有任何毛关系的话，那么我们就是他们两个变量是毫无关系的，我们也认为他们是独立的，因为互不搭杠嘛。那怎么来描述正相关呢？我们可以这么想，如果两个变量偏离中心点的变化量越一致，那么我们就可以认为他们越正相关的；同样地如果两个变量偏离中心点的变化量刚好相反，那么就是负相关了。根据这个思想我们可以仿照方差来定义协方差：

名称	公式	解释
方差	\(var(X)=\frac{\sum_{i=1}^{n}(X_{i}-\bar{X})^2}{n-1}\)	样本点到中心点的平均距离的平方，用平方是为了方便计算，因为是一一对应的正相关关系，所以意义和标准差一样，免去了开放带来的复杂计算。
协方差	\(cov(X,Y)=\frac{\sum_{i=1}^{n}(X_{i}-\bar{X})(Y_{i}-\bar{Y})}{n-1}\)	两个样本的相关性刻画

　　从定义不难发现，当两个变量正相关性很强的时候，那么其协方差就越大，当两个变量负相关越强，那么其协方差是负数且很小；当两个变量关系不大的时候，那么他们协方差趋于0，越接近独立。根据上面表格的数据，我们计算相应的协方差，其结果为：33.2500，为正，说明是正相关的。需要注意的是，协方差的定义是没有将数据进行归一化的，即两个变量的数据如果尺度不一样，就会导致其中的变量影响大于另外一个变量，例如一个变量的取值范围为0.1-1，另一个变量取值范围为100-1000，这样后者在计算中起到决定作用，而前者影响则微乎其微，导致协方差不能反应相关性的强弱程度。下面的这段代码解释了这种情况：

value = [];
for w = 0:5:50
    x = 1:50;
    y = roundn(0.1*x+2+w*rand(1,size(x,2)),-2);
    plot(x,y,'bo');
    value = [value sum((x(1,:)-mean(x(1,:))).*(y(1,:)-mean(y(1,:))))/(size(x,2))];
    value = roundn(value,-2);
end

　　结果为：

zabbix 图形的平均值平均值的图片_zabbix 图形的平均值_04

　　随着噪声的增加，协方差并不能刻画相关性的强弱。其实是因为数据没有归一化而导致的结果，这就引入了相关系数的定义，如下：

\(coef(X,Y)=\frac{\frac{\sum_{i=1}^{n}(X_{i}-\bar{X})(Y_{i}-\bar{Y})}{n-1}}{\sqrt{\frac{\sum_{i=1}^{n}(X_{i}-\bar{X})^2}{n-1}}\sqrt{\frac{\sum_{i=1}^{n}(Y_{i}-\bar{Y})^2}{n-1}}}\)

\(coef(X,Y)=\frac{\sum_{i=1}^{n}(X_{i}-\bar{X})(Y_{i}-\bar{Y})}{\sqrt{\sum_{i=1}^{n}(X_{i}-\bar{X})^2}\sqrt{\sum_{i=1}^{n}(Y_{i}-\bar{Y})^2}}\)

　　再来看下上面的例子用相关系数得到的结果

　　代码如下：　　

value = [];
coef = [];
for w = 0:5:50
　　x = 1:50;
　　y = x+w*rand(1,size(x,2));
　　plot(x,y,'bo');
　　coef = [coef sum((x(1,:)-mean(x(1,:))).*(y(1,:)-mean(y(1,:))))/(std(x)*std(y)*(size(x,2)))];
　　coef = roundn(coef,-2);
end

　　结果为：

zabbix 图形的平均值平均值的图片_协方差矩阵_05