用来衡量两个数据集合是否在一条线上面，主要用于衡量线性关系
实现方法
df.corr(method='pearson')斯皮尔曼相关系数
主要用于解决名称数据和顺序数据相关的问题。适用于两列变量，而且具有等级变量性质具有线性关系的资料。
实现方法
df.corr(method='spearman')肯德尔相关系数
它也是⼀种秩相关系数，不过它所计算的对象是分类变量。
实现方法
df.corr(method='kendall')多元线性回归
包括两个或两个以上自变量的回归称为多元线性回归,利用多元线性回归模型可以根据多个因素来预测。
多元线性回归模型可以表示为如下所示的公式。
其中，x为特征变量（即标签），k为系数,数学上通过最小二乘法和梯度下降法来求解系数。
将输入输出的数值数据首先进行归一化，通过训练得到的系数k，就可以作为相关性系数。例如训练后得到的方程为y=0.07*x1+0.9 * x2+0.16 * x3, 可以认为y与x1的相关性系数为0.07，y与x2的相关性系数为0.9，y与x3的相关性系数为0.16
实现方法
from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(x,y)
print("系数：",model.coef_)
print("常数：",model.intercept_)
其他机器学习模型
几乎所有的机器学习模型都能够直接对数值数据进行预测，并能够得到不同变量的重要性（即相关系数）
基于标签的相关性分析 决策树决策树模型是通过对一系列问题进行if/else的推导，最终实现相关决策。决策树是一类常见的机器学习方法，基于树结构来进行决策。
一般的，一棵决策树包含一个根结点、若干个内部结点和若干个叶结点。叶结点对应于决策结果，其他每个结点则对应于一个属性测试，每个结点包含的样本集合根据属性测试的结果被划分到子结点中。
离散属性
决策树的划分中，主要利用信息熵和信息增益
信息熵是度量样本集合纯度最常用的一种指标
假定当前样本集合D中第k类样本所占的比例为pk（k=1，2，...），则D的信息熵定义为
信息熵值越小，纯度越高
再考虑到不同的分支结点包含的样本数不同，给分支结点赋予权重，样本数越多的分支结点的影响越大，可以由此计算出信息增益
信息增益越大，纯度提升越大
离散属性举例：
对于数据集
该数据集包含17个训练样例，用以学习一棵能预测是不是好瓜的决策树。
通过计算属性的信息增益以及分支节点的信息熵，可以得到如下的一棵决策树
连续属性
由于连续属性的可取值数目不再有限，因此，不能直接根据连续属性的可取值来对结点进行划分，可采用二分法对连续属性进行处理。
对信息增益稍加改造
可通过同样的计算方式得到决策树
连续属性举例：
对于数据集
通过计算属性的信息增益以及分支节点的信息熵，可以得到如下的一棵简单的决策树
实现方法
对于连续型的属性，可以直接利用sklearn库快速实现
from sklearn.tree import DecisionTreeRegressor model=DecisionTreeRegressor() model.fit(x,y) model.predict(xx) # 特征重要性 model.feature_importances_
对于离散型，可根据下面这段伪代码实现
