Nano Hash - криптовалюты, майнинг, программирование

Как получить значения N вместе с корреляцией Пирсона?

Я использую приведенный ниже код для расчета карты корреляции между двумя наборами данных. Этот код работал нормально, и я получил следующие результаты:! [Введите описание изображения здесь]! [Введите описание изображения здесь] [1].

Я также хотел бы получить другую карту, показывающую, сколько пар использовалось при вычислении каждого пикселя, поэтому я получаю карту N a long с картой корреляции. согласно Полю Хиемстра эта функция дала cor и N:

 cor_withN = function(...) {
      cor_obj = cor.test(...)
       print(sprintf("N = %s", cor_obj$parameter + 2))
       return(data.frame(cor = cor_obj$estimate, N = cor_obj$parameter + 2))
                          }
          cor_withN(runif(100), runif(100))
             [1] "N = 100"
                   cor   N
            cor 0.1718225 100

когда я просто заменил cor на cor_withN, я получил эту ошибку:

    Error in cor.test.default(...) : not enough finite observations

Как я могу включить эту функцию в свой код, чтобы получить две карты корреляции и N значений?

r correlation
30.01.2013

Ответы:


1

1. Ошибка

Error in cor.test.default(...) : not enough finite observations

Согласно corr.test источнику (http://svn.r-project.org/R/trunk/src/library/stats/R/cor.test.R) эта ошибка может появиться в двух случаях:

  1. Вы используете корреляцию Пирсона и имеете менее трех конечных пар наблюдений.
  2. Вы используете корреляцию Кендалла или Спирмена и имеете менее 2 пар.

Действительно, cor.test(c(1,2), c(2,3)) вызывает точно такую ​​же ошибку, а cor(c(1,2), c(2,3)) дает ответ.

Обратите внимание, что cor.test использует complete.cases(x,y) для вычислений. Итак, загляните в свои данные - наверное где-то пар не хватает.

2. Функция

cor возвращает значение numeric, ваша функция corr_withN возвращает data.frame. Таким образом, не похоже, что вы можете просто заменить одно на другое.

Насколько я понимаю, вам нужна просто матрица размером 1440x720, которая будет нанесена на карту. В этом случае вы можете просто использовать cor для первого графика и простую функцию, возвращающую количество пар, используемых для вычисления корреляции для второго. Сама функция может быть такой же простой, как:

cor_withN <- function(...) {
  cor.test(...)$parameter+2
}

ОБНОВЛЕНИЕ: после комментария

Если cor_withN должен возвращать NA при наличии менее 3 пар, его следует изменить:

cor_withN <- function(...) {
  res <- try(cor.test(...)$parameter+2, silent=TRUE)
  ifelse(class(res)=="try-error", NA, res)
}

Эта функция пытается вычислить корреляцию и, если это не удается, возвращает NA или количество пар в противном случае.

30.01.2013
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..