相關衡量兩變數是否一起變。但最重要的一句：相關 ≠ 因果！
冰淇淋與溺水正相關，兇手是「夏天」這個共同原因，不是冰淇淋。
相關(Correlation)衡量兩個變數是否一起變動：一個變大、另一個也變大（正相關）或變小（負相關）。但最重要的一句話：相關 ≠ 因果！冰淇淋銷量和溺水人數正相關，不是冰淇淋害人溺水，而是「夏天」這個共同原因。
一起上升。
一個升一個降。
沒有明顯關係。
相關係數 r 範圍 −1 到 +1：絕對值越接近 1 關係越強，接近 0 越弱。但 r 只測「直線」關係，彎曲關係 r 可能=0 卻其實有關。
拖動相關強度，看散佈圖的點雲從「亂成一團」變成「排成一線」，相關係數 r 隨之改變。直覺感受 r 在量什麼。
點雲越像一條斜線，|r| 越接近 1。但記住：就算 r=0.9，也只能說「強相關」，不能說「A 造成 B」——要證明因果得做實驗（見因果推論）。
| 係數 | 衡量 | 適合 |
|---|---|---|
| Pearson | 線性相關 | 數值、近常態、線性關係 |
| Spearman | 單調(等級)相關 | 非線性但單調、有離群 |
| Kendall | 等級一致性 | 小樣本、序位資料 |
| Cramér's V | 類別關聯 | 兩個類別變數 |
相關性衡量變數間的關聯強度與方向,iPAS 統計考點(中級科目二)。重點:皮爾森相關看線性關係(負 1 到 1)、斯皮爾曼看單調關係;可用相關矩陣或熱力圖找冗餘特徵。易混點:相關不等於因果(可能是巧合或共同原因);皮爾森只抓線性,非線性關係相關係數可能接近 0 卻其實有關。情境:特徵選擇、發現共線性、別把相關當因果。
想練情境題與詳解 → AI 學習與考證地圖
衡量兩變數線性關係的強弱與方向，範圍 −1 到 1：接近正負 1 為強相關、0 為無線性相關；常見為皮爾森(Pearson)相關。
Pearson 看線性關係、對離群值敏感、需數值；Spearman 用等級看單調關係、較穩健、可用於順序資料。
兩變數同時變動可能源自第三個共同因素(混淆變數)或巧合；要證因果需實驗(A/B 測試)或因果推論方法，不能只看相關。
找與目標相關的特徵、移除彼此高度相關的冗餘特徵(共線性會影響線性模型)，用相關矩陣熱力圖快速檢視。
對線性與迴歸模型，共線性會讓係數不穩，常需處理(刪除、PCA、正則化)；但樹模型較不受影響，視模型而定。