Kapitel 4. Vektorielle Anwendungen
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
Während du die beiden vorangegangenen Kapitel durchgearbeitet hast, hattest du vielleicht das Gefühl, dass einige der Inhalte esoterisch und abstrakt sind. Vielleicht hattest du das Gefühl, dass sich die Herausforderung, lineare Algebra zu lernen, nicht auszahlt, wenn es darum geht, reale Anwendungen im Bereich Data Science und maschinelles Lernen zu verstehen.
Ich hoffe, dass dieses Kapitel diese Zweifel ausräumt. In diesem Kapitel lernst du, wie Vektoren und Vektoroperationen in datenwissenschaftlichen Analysen verwendet werden. Und du wirst dieses Wissen in den Übungen vertiefen können.
Korrelation und Kosinusähnlichkeit
Die Korrelation ist eine der grundlegendsten und wichtigsten Analysemethoden in der Statistik und im maschinellen Lernen. Ein Korrelationskoeffizient ist eine einzelne Zahl, die die lineare Beziehung zwischen zwei Variablen angibt. Die Korrelationskoeffizienten reichen von -1 bis +1, wobei -1 für eine perfekte negative Beziehung, +1 für eine perfekte positive Beziehung und 0 für keine lineare Beziehung steht. Abbildung 4-1 zeigt ein paar Beispiele für Variablenpaare und ihre Korrelationskoeffizienten.