问配对是如何构造的？基于什么规则？为什么人们会用它？

EN

差异：

配对

如果数据集中有m个属性，它会创建一个包含(m)x(m)子图的图形。

主要对角线子图是每个属性的单变量直方图(分布)。

对于非对角线子图，设一个位置(i，j)。这将数据集的所有样本绘制在一个具有轴属性i和j的坐标系中，换句话说，它只在这两个属性上投影数据集。这是特别有趣的视觉检查样本是如何传播有关这两个属性。价差的“形状”可以让你对这两种属性之间的关系有价值的洞察。例如，如果样本在线性模式上传播，这意味着这两个属性在您的数据集中是线性相关的。但你也可以视觉识别非线性关系，如二次型，等等。

相关(Pearson)

它是两个属性之间严格线性相关的数学度量。越接近于1或-1，线性关系就越强。它离0越近，关系就越弱。如果有一个接近1或-1的值，那么您可以安全地假设这两个变量是线性连接的。如果它接近于0，你可以假设没有线性关系，但你不能推断任何关于非线性的东西(即使相关性很低，它们也可能存在)。

相关矩阵的主对角线元素表示每个属性的自相关，从而度量其归一化分布在其平均值附近。

非对角线元素(i，j)表示属性i和j之间的线性相关。通常，相关矩阵是在有助于可视化的热图 (海运)上绘制的。

Note

如果使用Pearson相关，并发现对于选定的属性(i，j)，值接近1或-1，则应该期望样本在配对图的(i，j)和(j，i)子图中形成一条直线。

我只能建议你使用。对于构造，您可以简单地查看源代码。

派尔图和皮尔逊实际上几乎是一样的。这两个图都是二维图上的两个变量，通常称为X和Y来观察这种关系.

然而，个人相关图只适用于连续变量(如年龄、金额、身高、体重等)，因为它计算了相关系数(这对于非连续数据是不正确的)。

另一方面，当您只想可视化两个变量之间的关系时，就会生成配对图，其中变量可以是连续的、分类的(例如产品类型或部分时间)或布尔变量(是/no- 1/0)。此外，对图通常是数据集中每个变量的绘图网格。因此，您可以快速地看到所有变量是如何关联的。这可以帮助推断哪些变量是有用的，哪些变量有偏差分布等。

您通常将此作为分析的第一步--以便更好地理解您的数据，以便之后您可以选择正确的模型。