Корреляция признаков
означает, что некоторые функции X1 и X2 зависят друг от друга независимо от целевого прогноза Y. Другими словами, мы можем сказать, что если я увеличу значение X1, то X2 также увеличится или уменьшитсяНапример: характеристики (рост (X1), вес (X2) человека и переменная прогнозирования RunningSpeed (Y) человека). Таким образом, если мы увеличим рост, то, очевидно, вес также увеличится.
Взаимодействие объектов
, с другой стороны, говорит, что наша модель выдает прогноз на основе независимых функцийX1 и X2. Другими словами, мы можем сказать, какой будет наш вывод, если выбран только X1, или что будет выводиться, если выбран только X2, или какой будет прогноз, если выбрана комбинация обоих X1 + X2. Эта комбинация определяет взаимодействие между особенностями. Такая комбинация может быть (+, -, *, /). Например: размер дома (X1), местоположение дома (X2) и цена (прогноз Y). Как мы видим, X1 и X2 не связаны друг с другом, но оба они вносят свой вклад в прогнозирование цены дома.