Three cases where there is no obser

Three cases where there is no observed correlation between the two plotted attributes in each of the data sets.
from lower left to upper right, this means that the values of X increase as the values of Y increase, suggesting a positive correlation (Figure 2.8a). If the pattern of plotted points slopes from upper left to lower right, the values of X increase as the values of Y decrease, suggesting a negative correlation (Figure 2.8b). A line of best fit can be drawn to study the correlation between the variables. Statistical tests for correlation are given in Chapter 3 on data integration (Eq. (3.3)). Figure 2.9 shows three cases for which there is no correlation relationship between the two attributes in each of the given data sets. Section 2.3.2 shows how scatter plots can be extended to n attributes, resulting in a scatter-plot matrix.
In conclusion, basic data descriptions (e.g., measures of central tendency and mea- sures of dispersion) and graphic statistical displays (e.g., quantile plots, histograms, and scatter plots) provide valuable insight into the overall behavior of your data. By helping to identify noise and outliers, they are especially useful for data cleaning.

Kết quả (Việt) 1:

Ba trường hợp mà không có sự tương quan quan sát giữa hai thuộc tính plotted trong mỗi bộ dữ liệu.từ thấp hơn bên trái đến phía trên bên phải, điều này có nghĩa rằng các giá trị của X tăng như các giá trị của Y tăng, cho thấy một sự tương quan tích cực (hình 2.8a). Nếu các mô hình vẽ điểm dốc từ góc trên bên trái bên phải thấp hơn, giá trị của X tăng như các giá trị của Y giảm, cho thấy một sự tương quan tiêu cực (hình 2.8b). Một dòng phù hợp nhất có thể được rút ra để nghiên cứu sự tương quan giữa các biến. Thống kê các xét nghiệm cho các tương quan được đưa ra trong chương 3 ngày hội nhập dữ liệu (Eq. (3.3)). Hình 2.9 cho thấy ba trường hợp mà có là không có mối quan hệ tương quan giữa hai thuộc tính trong mỗi bộ dữ liệu nhất định. Phần 2.3.2 cho thấy làm thế nào scatter lô có thể được mở rộng cho thuộc tính n, kết quả là một ma trận âm mưu scatter.Tóm lại, mô tả dữ liệu cơ bản (ví dụ, các biện pháp của xu hướng trung ương) và mea-sures phân tán và đồ họa thống kê Hiển thị (ví dụ: quantile lô, histograms và scatter lô) cung cấp cái nhìn sâu sắc có giá trị vào các hành vi tổng thể của dữ liệu của bạn. Bằng cách giúp để xác định các tiếng ồn và outliers, họ là đặc biệt hữu ích cho việc làm sạch dữ liệu.

Kết quả (Việt) 2:

Ba trường hợp không có sự tương quan quan sát được giữa hai vẽ các thuộc tính trong mỗi tập dữ liệu.
Từ dưới bên trái để phía trên bên phải, điều này có nghĩa rằng các giá trị gia tăng X là giá trị của Y tăng, cho thấy một mối tương quan tích cực (hình 2.8a ). Nếu mô hình của các điểm vẽ trên biểu đồ dốc từ phía trên bên trái để giảm đúng, giá trị gia tăng X là giá trị của Y giảm, cho thấy mối tương quan âm (hình 2.8b). Một dòng phù hợp nhất có thể được rút ra để nghiên cứu sự tương quan giữa các biến. Kiểm tra thống kê tương quan được nêu trong Chương 3 về tích hợp dữ liệu (Eq. (3.3)). Hình 2.9 cho thấy ba trường hợp mà không có mối quan hệ tương quan giữa hai thuộc tính trong mỗi tập dữ liệu cho trước. Mục 2.3.2 cho thấy cách phân tán này có thể được mở rộng đến các thuộc tính n, kết quả trong một ma trận tán xạ-lô.
Tóm lại, mô tả dữ liệu cơ bản (ví dụ, các biện pháp của xu hướng trung và biện đo lường mức độ phân tán) và hiển thị thống kê đồ họa (ví dụ, lô quantile, biểu đồ, và biểu đồ phân tán) cung cấp cái nhìn sâu sắc có giá trị vào các hành vi tổng thể của dữ liệu của bạn. Bằng cách giúp xác định tiếng ồn và sự chênh lệch, chúng đặc biệt hữu ích để làm sạch dữ liệu.