Correlation相关性 VS Regression回归：它们有什么区别？
在进行机器学习时，在你在键盘上移动手指并开始编程之前，有很多名词需要你提前理解。这些名词不仅与“可用的”算法有关，而且与数学概念非常相关。
在研究数据科学和机器学习时，你需要了解统计学中的一些名词；其中，有两个名词是相关性（Correlation）和回归（Regression）。在这篇文章中，我将用具体例子解释这两个名词之间的区别。如果你想了解更多关于机器学习的相关内容，可以阅读以下这些文章：
5种有效方法：提高机器学习模型的准确性
机器学习的一站式library清单
你知道吗？SQL也能做机器学习！
群体学习（Swarm Learning）的工作原理——结合区块链和机器学习的更优解决方案
1.相关性（Correlation）
一句话来说，相关性就是表示两个变量之间线性关系的统计度量。
就是这样简单。但是，我们需要把定义付诸于实践（同时也能更好地理解我们正在研究的这个名词）。
深入这个概念，我们可以说，如果第一个变量的每一个值，都遵循一定的规律性对应于第二个变量的一个值，那么两个变量是相关的；因此，如果两个变量高度相关，路径将是线性的（一条线），因为相关性描述了变量之间的线性关系。
也就是说，相关性表示的是变量之间的关系，而不是因果关系！如果自变量的值增加，而因变量的值也增加，但这并不意味着第一个变量导致了第二个变量值的增加！
让我们举个例子：
现在是夏天，天气很热；你不喜欢你所在城市的高温，所以你决定去山上。幸运的是，你到达山顶，测量温度，你发现它比你所在城市的温度低。你会有点疑惑（因为你对气温的下降不理解），于是决定去一座更高的山，发现那里的气温甚至比前一座山上的还要低。
你尝试不同高度的山脉，测量温度并绘制图表；你会发现，随着山的高度增加，温度降低，你可以看到一个线性趋势。这是什么意思？这意味着温度与高度有关；这并不意味着山的高度导致了温度的下降（如果你用热气球到达同一高度、同一纬度，你会测量出什么温度？）。
所以，既然在物理世界中，我们需要定义来衡量事物，一个好问题是：我们如何衡量相关性？
测量相关性的典型方法是使用相关系数（也称为皮尔逊指数Pearson index或线性相关指数linear correlation index）。这里我们不讨论数学，因为这篇文章的目的是提供和普及信息，而不是公式：我想让你抓住并理解概念。
相关系数利用了协方差的统计概念，这是一种定义两个变量如何一起变化的数值方法。撇开数学只谈概念，相关系数是一个介于-1和+1之间的数值。如果相关系数为-1，这两个变量将具有完美的负线性相关；如果相关系数为+1，两个变量将具有完美的正线性相关；如果相关系数为0，则表示这两个变量之间没有线性相关性。
因为我们需要做数据科学工作，让我们一起看一下代码。我们如何在Python中计算相关系数呢？我们通常会计算相关矩阵。假设我们在一个名为“df”、“Variable_1”和“Variable_2”的数据框中存储了两个变量，我们可以绘制相关矩阵，例如在seaborn中：
import seaborn as sns
#heat map for correlation coefficient
sns.heatmap(df.corr(), annot=True, fmt="0.2")我们会得到：
上图显示，我们考虑的两个变量高度相关，因为它们的相关系数为0.96。然后，我们希望用一条具有正斜率的直线来描述它们之间的关系。现在我们来讨论下一个概念：回归regression。
在讨论回归的概念之前，我想说最后一件事。在本文中，我强调了一个事实，即相关性与变量之间的线性关系有关。让我们假设两个变量，我们确信它们不是线性相关的；例如：
在这种情况下，如果我们计算相关系数，我们得到0：
上面变量不相关的事实告诉我们，没有单纯的一条线可以描述变量之间的关系：但这并不意味着变量根本不相关！这只是意味着这种关系不是线性的。
2.回归(Regression)
回归分析是一种数学技术，用于分析一些数据，包括一个因变量和一个（或多个）自变量，目的是找到因变量和自变量之间的最终函数关系。
回归分析的目的是找到在因变量和自变量之间的一个估计值（一个好的估计值！）。从数学上讲，回归的目的是找到最适合数据的曲线。
当然，最适合数据的曲线可以是直线；但它也可以是任何曲线，这取决于它们之间是何种关系！
所以，我们要做的是计算相关系数，如果它的值接近1，我们可以在研究回归时得到一条直线；否则，我们必须尝试多项式回归（或其他方法，比如指数回归或其他任何方法）！
如果我们计算之前看到的数据之间的回归线（相关系数为0.96的“Variable_1和Variable_2”），我们得到：
import seaborn as sns
import matplotlib.pyplot as plt
#plotting the time series analysis with a red regression line
sns.regplot(data=df, x="Variable_1", y="Variable_2", line_kws={"color": "red"})
plt.xlabel('Variable 1', size=14)
plt.ylabel('Variable 2', size=14)
plt.title('(LINEAR) REGRESSION BETWEEN TWO VARIABLES')
像我们预期的那样，由于变量的相关指数为0.96，我们得到了一条正斜率的直线，作为最适合数据的曲线。
最后，我想说的是，有很多方法可以找到最适合数据的曲线；最常用的方法之一是“普通最小二乘法（Ordinary Least Squares）”。
谢谢你的阅读。希望通过本文，你已经初步理解了这些概念，欢迎在文章评论区讨论补充！你还可以订阅我们的YouTube频道，观看大量大数据行业相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/
原文作者：Federico Trotta
翻译作者：Chuang Zhang
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://levelup.gitconnected.com/the-2-types-of-software-engineers-every-successful-product-team-needs-11952e937def
