直观理解皮尔逊相关系数（r）和决定系数（r平方）
合集 · 直观理解机器学习和深度学习 (18)
-
直观理解正态分布(PDF, CDF, PPF)
5:27
-
从数值和视觉上理解贝叶斯定理
4:07
-
论文中常见基础数学符号
4:06
-
论文中常见求和与乘积数学符号
4:05
-
直观理解机器学习中的线性回归
3:23
-
直观理解皮尔逊相关系数（r）和决定系数（r平方）
3:28
-
直观理解机器学习中的逻辑回归
3:29
-
直观理解机器学习中的神经网络
4:07
-
大型语言模型中的注意力机制图解（中文配音）
21:02
-
【中文配音】Mamba：比Transformers更好更快的模型
31:51
-
(中文配音)直观解释所有机器学习模型
44:46
-
(流畅中文配音)直观解释所有机器学习模型
22:23
-
（中文配音）制作令人印象深刻的可视化图表
7:54
-
（流畅中文配音）符合生物机制的学习算法
26:52
-
（英语原声）符合生物机制的学习算法
26:52
-
K-均值聚类动画演示
2:14
-
为什么LoRA能省下训练资源？一个宝藏比喻讲透低秩适配
25:56
-
本世纪被引用最多的论文是一篇出色的巧妙之作
28:36
Description
本视频为个人学习所收集，为方便快速理解，通过chatgpt将视频原英文配音翻译校准后转成中文配音，原视频地址为：https://www.youtube.com/watch?v=rijqfllOq6g。 视频的核心内容是关于相关系数（皮尔逊相关系数）和决定系数（R平方）的基本概念和应用。我们将在接下来的三分钟内深入探讨相关系数和决定系数这两个关键概念。首先，我们会解释皮尔逊相关系数（r）是如何揭示两个变量之间的线性关系的强度，以及它如何帮助我们理解变量之间的正相关或负相关性。接着，我们将介绍决定系数（R平方），这是一个衡量预测模型有效性的重要指标，它告诉我们输入变量在多大程度上可以解释输出变量的变化。 我们还会讨论如何通过比较线性回归模型与简单平均值预测的差异，来评估模型的实际价值。通过这个简短的视频，你将能够理解相关性的核心原理，并学会如何应用这些统计工具来分析数据。准备好了吗？让我们一起探索统计学的魅力吧！
Comments
查了一下，r🟰0，是零相关，表示的是两个变量的非线性相关，这个两个变量可能独立，也可能存在曲线相关。所以只能说r🟰0是非线性关系，而不能说没有关系，因为可能存在曲线相关，应该是这样叭
♥ 34 ↩ 3
我是不是可以把那个r看做某个高维或多维的cosθ
♥ 7
刚看到另一个视频讲判定系数R square并不一定总是等于r²（相关系数的平方），这个关系只在利用最小二乘法且截距待定时成立。
♥ 2
这里的r 和 r^2 区分不太够啊 用R^2 更清晰一点 不过还是很棒
♥ 1
当预测值全等于真实值时，也就是真实值全部落在预测的直线上，SSE=0，此时SST=SSR，R2=0，R2=0不是说明没有关系吗？但是落在直线上又是强的线性关系，这不是矛盾了吗
♥ 1
[大哭]还是没看懂
♥ 1 ↩ 2
高中数学
↩ 2
太有用了，大大视频做的好好[星星眼][星星眼]