拿捏！相关性分析，一键出图！皮尔逊、斯皮尔曼、肯德尔、最大互信息系数（MIC）、滞后相关性分析，直接运行！独家可视化程序！

适用平台：Matlab2020及以上

相关性分析是一种统计方法，用于衡量两个或多个变量之间的关系程度。通过相关性分析，我们可以了解变量之间的相互关系、依赖性，以及它们是如何随着彼此的变化而变化的。相关性分析通常包括计算相关系数或其他衡量关联度的指标。

①量化特征之间的关联程度：通过相关系数的值，我们可以判断它们的关系是强烈的、中等还是弱。

②特征降维：在大规模数据集中，相关性分析可以帮助我们过滤掉与目标序列关系较弱的变量，从而聚焦于关键的特征。

降维的方法：皮尔逊（Pearson）、斯皮尔曼（Spearman）、肯德尔（Kendall）、最大互信息系数（MIC）、滞后相关性。分别绘制出相关性矩阵，并且矩阵中每个值我们都用饼图表示，看着更加高大上！加深审稿人对文章的好感。

下面分别介绍这几种相关性分析的特点：

皮尔逊相关系数：皮尔逊相关系数衡量的是两个变量之间的线性关系。它通过计算协方差和两个变量的标准差来完成。皮尔逊相关系数在处理线性关系强的数据时非常有效，取值范围在 -1 到 1 之间，正值表示正相关，负值表示负相关，0 表示无关。

斯皮尔曼相关系数：斯皮尔曼相关系数是一种基于秩次的非参数方法，用于衡量两个变量之间的单调关系。首先将变量的原始数据转化为秩次，然后计算秩次的皮尔逊相关系数。适用于非线性关系，对异常值不敏感，取值范围也在 -1 到 1 之间。