最大边际相关性 (MMR)

最大边际相关性（Maximum Marginal Correlation）并非单一固定算法，而是指在多元统计分析与特征工程语境下，衡量单个特征与目标变量之间线性关联强度的最大化指标。其核心在于‘边际’（Marginal）一词，即剥离了其他特征干扰后，仅考察该特征与目标变量的独立相关性。在机器学习中，它常作为特征筛选的初步依据，用于识别对预测结果贡献度最高的变量，是构建线性模型、决策树及正则化方法（如Lasso）的重要前置步骤。

在现代计算架构与数据科学生态中，最大边际相关性扮演着‘特征筛选哨兵’的关键角色。它连接了传统统计学中的皮尔逊相关系数与现代机器学习中的特征重要性评估，是数据预处理阶段降低维度、提升模型泛化能力的基础工具。尽管其计算高效且解释性强，但在处理非线性关系或高维稀疏数据时存在局限。该概念广泛应用于推荐系统、金融风控及生物信息学等领域，是构建高效、可解释AI模型不可或缺的基石技术，其核心价值在于以低计算成本快速锁定最具预测力的数据特征。