คำนวณค่าสหสัมพันธ์ด้วย Python พร้อมตัวอย่างธุรกิจ

1. วิธีคำนวณค่าสัมประสิทธิ์สหสัมพันธ์ด้วย Python คืออะไร?

ข้อดีของการใช้ค่าสัมประสิทธิ์สหสัมพันธ์

• สามารถประเมินความสัมพันธ์ระหว่างข้อมูลได้อย่างรวดเร็ว
• มีประโยชน์เป็นข้อมูลประกอบการคาดการณ์เพื่อทำความเข้าใจแนวโน้มและรูปแบบ
• ช่วยในการเลือกคุณลักษณะสำหรับโมเดลการเรียนรู้ของเครื่อง

2. วิธีพื้นฐานในการหาค่าสัมประสิทธิ์สหสัมพันธ์ด้วย Python

คำนวณค่าสัมประสิทธิ์สหสัมพันธ์ด้วย NumPy

import numpy as np

# เตรียมข้อมูล
data1 = [1, 2, 3, 4, 5]
data2 = [5, 4, 3, 2, 1]

# คำนวณค่าสัมประสิทธิ์สหสัมพันธ์
correlation = np.corrcoef(data1, data2)
print(correlation)

คำนวณค่าสัมประสิทธิ์สหสัมพันธ์ด้วย Pandas

import pandas as pd

# สร้างข้อมูลตัวอย่าง
data = {
    'A': [1, 2, 3, 4, 5],
    'B': [5, 4, 3, 2, 1],
    'C': [2, 3, 4, 5, 6]
}
df = pd.DataFrame(data)

# คำนวณเมทริกซ์สหสัมพันธ์
correlation_matrix = df.corr()
print(correlation_matrix)

3. ความแตกต่างระหว่างสหสัมพันธ์และความเป็นเหตุเป็นผล

ความแตกต่างระหว่างสหสัมพันธ์และความเป็นเหตุเป็นผล

• สหสัมพันธ์：หมายถึงตัวแปรสองตัวเปลี่ยนแปลงไปพร้อมกัน แต่ไม่ได้หมายความว่าฝ่ายหนึ่งเป็นสาเหตุของอีกฝ่ายเสมอไป ตัวอย่างเช่น ยอดขายไอศกรีมและยอดขายครีมกันแดดเพิ่มขึ้นพร้อมกันในช่วงฤดูร้อนจึงเห็นความสหสัมพันธ์ แต่ทั้งสองอย่างขึ้นอยู่กับปัจจัยร่วมคือฤดูกาล และไม่มีความสัมพันธ์เชิงเหตุและผลโดยตรง
• ความเป็นเหตุเป็นผล：หมายถึงกรณีที่ตัวแปรหนึ่งส่งผลโดยตรงต่ออีกตัวแปรหนึ่ง ตัวอย่างเช่น เมื่อกดสวิตช์แล้วหลอดไฟติดสว่าง เพราะการกดสวิตช์เป็นสาเหตุโดยตรงที่ทำให้หลอดไฟติด

4. ประเภทของค่าสัมประสิทธิ์สหสัมพันธ์และตัวอย่างการประยุกต์ใช้

• ค่าสัมประสิทธิ์สหสัมพันธ์เพียร์สัน: ใช้ประเมินความสัมพันธ์เชิงเส้น และเหมาะสมเมื่อข้อมูลมีการแจกแจงใกล้เคียงแบบปกติ
• ค่าสัมประสิทธิ์สหสัมพันธ์สเปียร์แมน: วัดความสัมพันธ์ตามอันดับ และมีประสิทธิภาพเมื่อข้อมูลไม่เป็นการแจกแจงแบบปกติหรือมีค่าผิดปกติจำนวนมาก
• ค่าสัมประสิทธิ์สหสัมพันธ์เคนดัล: ประเมินระดับความสอดคล้องของอันดับ และเหมาะกับข้อมูลขนาดเล็กหรือกรณีที่ให้ความสำคัญกับความสัมพันธ์ของอันดับ

5. วิธีการแสดงภาพค่าสัมประสิทธิ์สหสัมพันธ์

การแสดงภาพโดยใช้ฮีตแมป

import seaborn as sns
import matplotlib.pyplot as plt

# คำนวณเมทริกซ์สหสัมพันธ์
correlation_matrix = df.corr()

# สร้างฮีตแมป
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
plt.show()

การแสดงภาพด้วยกราฟแท่ง

target_corr = df.corr()['A'].sort_values()
target_corr.plot.barh()
plt.show()

6. ตัวอย่างการนำไปใช้จริงในบริบทธุรกิจและข้อควรระวัง

ตัวอย่างการนำไปใช้ในธุรกิจ

• การวิเคราะห์การตลาด：สามารถใช้ค่าสัมประสิทธิ์สหสัมพันธ์ขณะวิเคราะห์ความสัมพันธ์ระหว่างงบโฆษณากับยอดขาย ตรวจสอบความสัมพันธ์ระหว่างการเพิ่มขึ้นของยอดขายกับการเพิ่มขึ้นของงบโฆษณา และช่วยในการวางแผนกลยุทธ์โฆษณาที่มีประสิทธิภาพ。
• การวิเคราะห์พฤติกรรมผู้ใช้：ประเมินความสัมพันธ์ระหว่างจำนวนการเข้าชมเว็บกับอัตราคอนเวอร์ชัน และทำความเข้าใจปัจจัยที่ส่งผลต่อการเพิ่มหรือลดของคอนเวอร์ชัน。
• การเรียนรู้ของเครื่อง：ผ่านการวิเคราะห์สหสัมพันธ์ ช่วยสนับสนุนการคัดเลือกคุณลักษณะที่ใช้ในโมเดลการเรียนรู้ของเครื่อง และช่วยยกระดับประสิทธิภาพของโมเดล。

ข้อควรระวัง

7. สรุป