5.6　挖掘（xx3，yy3）关系

我用一种机器学习方法来挖掘变量对（xx3，yy3）的关系。这种方法属于演化计算，准确地说，就是遗传算法（GP）。通过数据挖掘得出散点图5.3。

这个数据挖掘工作不需要消耗太多时间或脑力，因为基于遗传算法的数据挖掘（GP-DM）是机器学习适应性人工智能过程，它处理校直数据的效力很高。这个数据挖掘工具就是GenIQ模型，我们把将要进行数据挖掘的变量更名，加上前缀GenIQvar。（xx3，yy3）更名为（xx3，GenIQvar（yy3））。（GenIQ模型的正式介绍见第40章，那里有丰富的示例。）

图5.3　（xx3，GenIQvar（yy3））散点图

相关系数r_{（xx3，GenIQvar（yy3））}=0.9895，在图5.3上可以看到较明显的线性关系。这个相关系数是xx3和GenIQvar（yy3）之间存在线性关系的一个可靠量度。这个非常靠近1的相关系数表明在原始变量xx3和数据挖掘变量GenIQvar（yy3）之间存在近似线性关系。（注意：该散点图的Y轴表示的GenIQvar_yy3与GenIQvar（yy3）略有不同，这是由画图软件的限制造成的。）

变量xx3、yy3和GenIQvar（yy3）的值见表5.2。这11个数据点按照GenIQvar（yy3）的值由大到小排列。

表5.2　重述yy3，GenIQ（yy3），按照GenIQ（yy3）降序排列

散点图并排对比

将两幅散点图并排放在一起进行比较，胜过写1000字的说明。通过这种对比，能明显看出数据挖掘之后的散点图更好（见图5.4）。

图5.4　散点图并排对比