我的问题是可逆性如何影响相关性。我实际上是一个统计菜鸟，所以请原谅我缺乏适当的术语。我将用下面的例子来说明这个问题。
我创建了一个范围从 0 到 30 的随机数列表，以及第二个列表，指示数字的第一顺序。
显然，两列之间存在很强的相关性，但是从 num 到 dec 是 100% 确定的，而从 dec 到 num 是一个猜测（猜测正确数字的几率为 10%）。这种现象在统计学上怎么称呼？
相关图如下所示。它沿其对角线对称，但是在一半（corr = 1）中具有“从”num 到 dec 的相关性，而在另一半（corr = 0.1）中具有“从”dec 到 num 的相关性是否有意义。（可能我所指的关系实际上并不是相关性，但对数据科学很有用）
相关性没有“从”和“到”。它是不变。术语“从”和“到”在回归的上下文中是有意义的，在这里我们谈到“独立”和“因”变量或“预测”和“预测”。Pearson 相关与线性回归密切相关。再次在线性回归中，值的一阶不起作用，无法在其中表达。
因此，如果您构建了一种可以表达“一阶价值”的回归形式，那么当作为的预测变量时，这种回归形式的表现会更好，反之亦然。
这只是一个简单的情况，其中dec 是 --- 的函数， num即 的值dec完全由 的值决定num。这就是它的全部名称——一个函数。随机变量的函数通常与初始随机变量相关，因此这不是罕见的情况。相关性表明这两个变量（统计上）线性相关，它们确实如此。显然，在这种情况下，相关性并不是关系的特别好的表示，但这并不奇怪，因为函数关系是高度非线性的。
正如伯恩哈德所提到的，相关性没有“从 - 到”的概念。它描述了变量之间的关系。
另一个有用的想法是，如果我们改变（或过滤）一个变量，另一个变量将如何改变。
想想人的身高和体重之间的关系，如果我们关注高个子人口，很可能我们的体重数字会更大。这称为“正”相关。
现在考虑另一个有趣的情况，如果一个变量的方差为零，即所有数据如何具有相同的值，会发生什么？
答案可以在这篇密切相关的帖子中找到