求多元线性回归模型的相关系数

颜色与物质浓度辩识中，看到一篇论文，不知道这个相关系数咋求的求指点

用皮尔逊相关系数求的

皮尔逊相关系数是衡量两个变量之间线性相关程度的一种指标，其值在-1到1之间，其中1表示完全正相关，-1表示完全负相关，0表示无关。多元线性回归模型中，每个自变量与因变量之间的相关系数可以单独计算。

如果有帮助，请点击一下采纳该答案～谢谢

你可以参考下这个问题的回答, 看看是否对你有帮助, 链接: https://ask.csdn.net/questions/274570
我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：关于模型训练中显存占用过大的或直接报显存爆炸的解决方法
除此之外, 这篇博客: 一种根据两两相关系数将多个对象进行分组，求解最优分组方案，并保证组内所有对象互相关的排列组合算法中的 问题描述： 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:

计算完所有表计之间相关系数之后，遇到一下几个问题：
1、同时存在相关关系的表计有很多，怎么进行分组，每组里面包含多少个对象怎么确定，有很多种可能，哪一种可能是最合理的。
2、从最大分组开始轮寻，采用逐个对象进行两两比对，计算量大，100多个表跑好几个小时，怎么解决性能问题。
3、通过排列组合方法寻找所有组合可能，100多个表直接分组会导致机器内存异常，需要先进行一定处理，勉强可以分组，耗性能。

逐一匹配代码：

def get_class(similarity_m,threshold):
    """
    similarity_array：相似度矩阵，带有行名和列名
    
    step1:获取输入数据的第0行数据
    step2:若第0行满足指定阈值的个数只有1个，则重新设置阈值，否则进行下一步
    step3:由step2的返回结果所形成的列名构成新的矩阵，判断该矩阵中是否所有数都满足阈值条件：
    若不满足：从中取出子矩阵，并降低阈值，重复上述步骤
    若满足：返回列名
    """
    similarity_row = similarity_m.iloc[0,:]
    names = np.array(list(similarity_row[similarity_row>=threshold].index))
    
    assert names.shape[0]>1,print("域值过大，请重新输入")
#     if names.shape[0]<=1:
#         print("域值过大，请重新输入")
#         return 0
    
    similarity_m_new = similarity_m.loc[names,names]
    names_logic = np.array(similarity_m_new>=threshold).all(axis=0)
    
    if names_logic.sum()<=1 and similarity_m_new.shape[0]>2:
        similarity_m_new = similarity_m_new.loc[names[1:],names[1:]]
        threshold -= 0.01
        return get_class(similarity_m_new,threshold)
    else:
        print(threshold)
        result = names[names_logic]
        return result

排列组合代码：

def combine2(n, k, similarity_m, threshold):
    """
    实现一组数列的组合种类
    n:长度为n的数列
    k:抽取的个数
    """
    def backtrace(tmp, index):
        """
        tmp:存放组合
        """
        if len(tmp) == k:
            similarity_m_sub = similarity_m.iloc[tmp,tmp]
            if np.array(similarity_m_sub>=threshold).all():
                print(tmp)
                res.append(tmp)
            return

        for i in range(index, n):
            backtrace(tmp + [i], i + 1)

    res = []
    for i in range(n + 1 - k):
        backtrace([i], i + 1)
    return res

您还可以看一下吴刚老师的【吴刚大讲堂】电商视觉设计配色技巧课程中的电商视觉设计配色的对象及目的小节, 巩固相关知识点