什么是相关性(correlation)？

相关性是一种统计方法，用于确定两个变量/数据集之间的关系以及这种关系的强度。该度量最好用于显示彼此之间线性关系的变量。数据的拟合可以可视化地表示在散点图中。使用散点图，我们通常可以分析和确定变量之间的关系，并确定它们是否相关。通常，相关性分析用于在数据集中发现模式。正相关意味着两个变量彼此相关增加，而负相关意味着一个变量减少，另一个变量增加。

相关系数是一个表示变量之间关系强度的值。系数可以取-1到1之间的任何值。这些价值观的解释如下：

• -1：完全负相关。变量趋向于反向移动（即当一个变量增加时，另一个变量减少）。
• 0：没有相关性。变量之间没有关系。
• 1：完全正相关。变量趋向于朝同一方向移动（即当一个变量增加时，另一个变量也增加）。

关于相关性，你需要知道什么

• 相关性是两个或多个变量之间的关系，它们在相同或相反的方向上相互变化。换句话说，它决定了变量之间的相互联系或协同关系。
• 相关性是单个统计或数据点。
• 它找出了两个变量之间的关系程度，而不是因果关系。
• 两个变量之间的相关性可以通过图形上的一个点直观地表示出来。
• 由于它仅限于变量之间的线性关系，因此应用受到限制。
• 相关系数是一种相对的度量。关系的范围介于-1和+1之间。
• 在相关性中，变量x和y都是随机变量。
• 在相关性方面，独立值和依赖值没有差异。
• 相关性的目的是找到一个表示变量之间关系的数值。
• 相关性用于测试和验证两个变量之间的关系，并提供有限的信息。
• 它的系数与尺度的变化或原点的移动无关。
• 它的系数是相互对称的。

什么是回归(regression)？

回归是一组统计方法，用于估计因变量（通常表示为Y）和一个或多个自变量（通常表示为X）之间的关系。它可以用来评估变量之间关系的强度，并为它们之间的未来关系建模。

回归包括几个变量，如线性、多重线性和非线性。最常见的模型是简单线性模型和多重线性模型。非线性回归通常用于因变量和自变量呈现非线性关系的更复杂数据集。回归作为一种统计方法，在金融、投资和其他试图确定一个因变量和一系列其他变量之间关系的强度和特征的学科中得到应用。

关于回归，你需要知道什么

• 回归意味着回归，它是一种显示两个变量之间平均关系的数学度量。换句话说，它解释了自变量与因变量在数值上的关联。
• 回归是所有数据点都用一条线表示的整个方程。
• 它指出变量之间的因果关系，并建立函数关系。
• 将直线或曲线拟合到给定数据，并对直线或曲线进行外推以预测数据，并确保直线或曲线拟合图形上的数据。
• 它研究变量之间的线性和非线性关系，具有更广泛的应用。
• 回归系数是一个绝对数，如果我们知道自变量的值，我们就可以找到因变量的值。
• 在回归中，x是一个随机变量，而y是一个固定变量。有时，这两个变量可能类似于随机变量。
• 在回归中，因变量和自变量都是不同的。
• 回归的目的是在固定变量值的基础上估计随机变量的值。
• 除了验证两个变量之间的关系外，回归用于拟合最佳直线，并根据另一个变量估计或预测一个变量（预测一个值，相对于另一个给定值）。
• 其系数取决于尺度的变化，但与原点的变化无关。
• 它的系数是不对称的。

Also Read: Difference Between Logistic And Linear Regression

相关性(correlation)和表格式回归(regression in tabular form)的区别

相关性(correlation)和回归(regression)的相似点

• 两者都用于量化两个数值变量之间关系的方向和强度。
• 当相关性为负时，回归斜率（图中的直线）将为负。
• 当相关性为正时，回归斜率（图中的直线）将为正。

相关性优势

• 相关性是对两个变量之间关系的一种比回归更简明（单值）的总结。结果，在一个图中可以同时查看多个成对的相关性。

回归优势

• 回归提供了更详细的分析，其中包括可用于预测和/或优化的方程。