接續上一篇内容，如果只有 8 年的城市指標數據的情況下想做趨勢分析，線性迴歸對小樣本和離群值都不友善。這時候我們可以使用 Mann–Kendall，可以套用在這樣的應用場景 —— 非參數、不假設常態、配上 Sen's slope 估斜率比 OLS 還抗噪。

在此我們先討論為什麼線性迴歸在這裡不夠用

- 閱讀剩餘部分 -

這個項目的構思從一開始是如此的，譬如我獲取到城市的 44 個地點 × 7 個指標 × 8 個年份的城市數據，我想要判斷「高建築密度的點是不是傾向跟其他高密度點聚在一起」，後來我使用了空間自相關概念 —— Moran's I。

一、空間自相關

假設你手上有城市 44 個採樣點的建築密度數據。如果你只看「平均值 + 標準差」，你只知道整體分佈的形狀，卻無法觀察到空間結構信息：

• 隨機分佈：高密度點到處散落，沒有規律
• 聚集分佈：高密度的點都擠在某幾個區塊（譬如市中心 + 副都心）
• 棋盤分佈：高低密度交錯，鄰居總是相反

- 閱讀剩餘部分 -

這章節將計算「關聯有多少」，以及解釋「整體純、局部混合」的概念

看最簡單的Bell態：

$$
|\Phi^+\rangle
=\frac{|0\rangle_A|0\rangle_B+|1\rangle_A|1\rangle_B}{\sqrt2}
$$

從整體看，$AB$ 由一個態向量描述，所以是純態。

- 閱讀剩餘部分 -

回到項目列表

選取本地目錄

- 閱讀剩餘部分 -

3.02 03/27 A@g.bn ULw:/ :4pm 以前抢搜索第一页，现在抢AI答案的一个名 # ai # agent # 人工智能 # 商业 # 科技 https://v.douyin.com/SCbY13V5gbI/ 复制此链接，打开Dou音搜索，直接观看视频！

以前搶搜尋第一頁，現在搶 AI 答案的一個名
標籤：#ai #agent #人工智慧 #商業 #科技

- 閱讀剩餘部分 -