pearson相关分析是回归分析吗？
pearson相关分析不是简单的回归分析：
因为pearson相关分析是一种简单的笼统的表示变量间相关性的数据，它不会考虑变量之间是否会存在有共线性或者相互影响。因此在能够做其他相关分析的时候，比如有回归分析、方差分析等，就没有必要再看pearson相关分析的结果，而是要以回归分析的数据为依据。
回归分析的回归系数是在剔除其他变量的情况下，求出的某个自变量与因变量的净相关，更加准确。
相关性分析的六种方式？
一、离散与离散变量之间的相关性
1、卡方检验
卡方检验是一种用途很广的计数资料的假设检验方法。它属于非参数检验的范畴，主要是比较两个及两个以上样本率( 构成比）以及两个分类变量的关联性分析。其根本思想就是在于比较理论频数和实际频数的吻合程度或拟合优度问题。
它在分类资料统计推断中的应用，包括：两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。
2、信息增益和信息增益率
在介绍信息增益之前，先来介绍两个基础概念，信息熵和条件熵。
信息熵，就是一个随机变量的不确定性程度。
条件熵，就是在一个条件下，随机变量的不确定性。
二、连续与连续变量之间的相关性
1、协方差
协方差，表达了两个随机变量的协同变化关系。如果两个变量不相关，则协方差为0。
Cov(X,Y)=E{[X-E(X)],[Y-E(Y)]}
当 cov(X, Y)>0时，表明 X与Y 正相关；
当 cov(X, Y)<0时，表明X与Y负相关；
当 cov(X, Y)=0时，表明X与Y不相关。
协方差只能对两组数据进行相关性分析，当有两组以上数据时就需要使用协方差矩阵。
协方差通过数字衡量变量间的相关性，正值表示正相关，负值表示负相关。但无法对相关的密切程度进行度量。当我们面对多个变量时，无法通过协方差来说明那两组数据的相关性最高。要衡量和对比相关性的密切程度，就需要使用下一个方法：相关系数。
2、线性相关系数
也叫Pearson相关系数， 主要衡量两个变量线性相关的程度。
r=cov(X,Y)/(D(X)D(Y))
相关系数是用协方差除以两个随机变量的标准差。相关系数的大小在-1和1之间变化。再也不会出现因为计量单位变化，而数值暴涨的情况了。
线性相关系数必须建立在因变量与自变量是线性的关系基础上，否则线性相关系数是无意义的。
三、连续与离散变量之间的相关性
1、连续变量离散化
将连续变量离散化，然后，使用离散与离散变量相关性分析的方法来分析相关性。
2、箱形图
使用画箱形图的方法，看离散变量取不同值，连续变量的均值与方差及取值分布情况。
皮尔逊相关性分析概念？
在统计学中，皮尔逊相关系数( Pearson correlation coefficient），又称皮尔逊积矩相关系数（Pearson product-moment correlation coefficient，简称 PPMCC或PCCs），是用于度量两个变量X和Y之间的相关（线性相关），其值介于-1与1之间。
中文名
皮尔逊相关系数
外文名
Pearson correlation coefficient
别名
皮尔逊积矩相关系数
相关人物
卡尔·皮尔逊；弗朗西斯·高尔顿
学科
统计学
person相关性分析？
Pearson相关系数（Pearson Correlation Coefficient）是用来衡量两个数据集合是否在一条线上面，它用来衡量定距变量间的线性关系。
什么变量需要相关性分析？
相关分析是研究两种或两种以上随机变量之间的关系的一种统计学方法，可以分析变量间的关系情况以及关系强弱程度等，如身高和体重之间的相关性。
对于不同类型的变量，需选择合适的相关性分析方法，我们常用的相关性分析方法及适用条件如下：
1.1 Pearson相关系数
最常用，又称积差相关系数，适用于连续变量之间的相关性分析；使用条件：变量都需符合正态分布
1.2 Spearman秩相关系数
适合含有有序分类变量或者全部是有序分类变量的相关性分析；但其属于非参数方法，检验效能较Pearson系数低
1.3 无序分类变量的相关性
最常用的为卡方检验，用于评价两个无序分类变量的相关性（检验两组数据是否具有统计学差异，从而分析因素之间的相关性）
第二部分: Pearson相关&Spearman相关
2.1 相关系数计算
R中可计算多种相关系数，其中最常用的包括Pearson，Spearman和Kendall相关系数，最基础的，cor(x = ,y = ,use = ,method = ) 可用于计算相关系数； cov(x = ,y = ,use = ,method = )可用于计算协方差。
*相关系数：反映变量间相关关系的方向和程度，取值-1~1。
*协方差：在概率论和统计学中用于衡量两个变量的总体误差（如果两个变量的变化趋势一致，那么两个变量之间的协方差就是正值；
pearson相关性分析有什么用？
可以用来计算两个变量之间的相关系数，相关系数的绝对值越接近1，说明两变量的相关关系越大，取值为负时，两变量的变化方向相反，反之，则变化方向相同
pearson相关系数分析结果怎么看？
皮尔森相关系数也称皮尔森积矩相关系数是一种线性相关系数，是最常用的一种相关系数。记为r用来反映两个变量X和Y的线性相关程度，r值介于-1到1之间，绝对值越大表明相关性越强。
pearson是用来反应俩变量之间相似程度的统计量，在机器学习中可以用来计算特征与类别间的相似度，即可判断所提取到的特征和类别是正相关、负相关还是没有相关程度。
