В мире соотношений легко заблудиться!
Но не заблуждайтесь, у вас есть ценная информация о ваших данных, если вы посмотрите на корреляции между переменными.
И если вы планируете построить линейную модель с использованием машинного обучения с учителем, наличие коррелированных переменных усугубит точность модели.
Следовательно, изучение корреляций между непрерывными переменными является практически неразрешимой задачей, и один из способов сделать это — вычислить коэффициент корреляции Пирсона для этих переменных.
Коэффициент Пирсона является режимом по умолчанию для многих, включая меня, для проверки корреляций.
А вот коэффициент Пирсона нашел свой криптонит в виде нелинейной зависимости между переменными.
Коэффициент Пирсона имеет смысл только тогда, когда существует линейная связь между переменными, и не очень полезен, когда переменные имеют нелинейную связь.
Но пришло время принять другие меры корреляции в дополнение к коэффициенту Пирсона, чтобы убедиться, что мы не упускаем ценных корреляций в данных.