另一种查看相关性的办法就是画图更加直观，采用的 。如果我们有11中特征，那么我们就会有11*11=121个图 。
让我们来看一下房子的价值和平均收入之间的关系：
从图中我们可以看出这么几点：1.二者的相关性确实很强，房价随着收入的升高而增加；2.在$50000的地方，有很明显的断层；
除了我们已知的在美元处的直线，我们还发现其他位置也存在类似的现象 。因此在使用数据时，应该考虑把这些位置的数据去掉 。
添加新特征
通过检查 和相关系数，我们发现一些属性确实和房价密切相关 。我们还可以尝试一些数据组合，看看是否能发现一些新的特征 。
我们把rooms per ,per room,per 加入数据特征中，再次查看一下数据的相关矩阵：
很好，通过观察加入新特征之后的相关性表现，我们发现：
与房间或卧室的总数相比，新的“卧室/房间”属性与房屋中值的相关性更大 。显然，卧室/房间比率较低的房子往往更贵 。每户家庭的房间数也比一个地区的房间总数更具信息量显然，房子越大，价格就越高 。

• 如何快速拿下科目二
• windows 从零配置深度学习环境
• 松灵机器人SCOUT的ROS代码架构
• Android应用安全防护的点点滴滴
• 调和级数前n项和matlab
• 深度学习之搭建LSTM模型预测股价
• 【redis源码学习】看看redis的“哈希表”实现
• STM32学习笔记 | 片内FLASH读写失败问题分析
• 【数学基础】 线性代数以及符号编总
• 心得 | 《用得上的商学课》001 机会成本 | 放弃掉的鱼，是选择熊掌的代价？