总体/样本皮尔逊Pearson相关系数

皮尔逊相关系数也可以看成是剔除了两个变量量纲影响，即将X和Y标准化后的协方差。
n,n-1
这里的相关系数只是用来衡量两个变量线性相关程度的指标；
也就是说，你必须先确认这两个变量是线性相关的，然后这个相关系数才能
告诉你他俩相关程度如何。

容易忽视和犯错的点
（1）非线性相关也会导致线性相关系数很大，例如图2。
（2）离群点对相关系数的影响很大，例如图3，去掉离群点后，相关系数为0.98。
（3）如果两个变量的相关系数很大也不能说明两者相关，例如图4，可能是受到
了异常值的影响。
（4）相关系数计算结果为0，只能说不是线性相关，但说不定会有更复杂的相关
关系（非线性相关），例如图5。

（1）如果两个变量本身就是线性的关系，
那么皮尔逊相关系数绝对值大的就是相关性
强，小的就是相关性弱；
（2）在不确定两个变量是什么关系的情况
下，即使算出皮尔逊相关系数，发现很大，
也不能说明那两个变量线性相关，甚至不能
说他们相关，我们一定要画出散点图来看才
行。

事实上，比起相关系数的大小，我们往往更关注的是显著性。
（假设检验）

优化算法

遗传算法

粒子群算法

蚁群算法

模拟退火算法

分类/回归算法

逻辑回归

决策树

SVM

KNN

XGBoost+SHAP

LightGBM

kmeans聚类

评价类算法

topsis

AHP

熵权法

灰色关联分析

层次分析法