马修斯相关系数 (MCC)

马修斯相关系数（Pearson Correlation Coefficient）是统计学中用于量化两个连续变量之间线性相关性强弱的核心指标，其值域为[-1, 1]。该系数通过计算标准化后的协方差来消除量纲影响，本质上反映了变量间线性变化的方向与紧密程度。在人工智能与大模型领域，它不仅是特征选择与降维算法（如PCA）的关键输入参数，也是评估模型预测结果与真实标签一致性的基准度量，广泛应用于回归任务、异常检测及数据预处理阶段。

在现代计算架构与AI系统中，马修斯相关系数扮演着连接原始数据与高维模型的关键桥梁角色。它不仅是数据清洗与特征工程的首选工具，用于识别并剔除冗余特征，更是构建线性模型（如线性回归、逻辑回归）及非线性模型（如神经网络）的基础假设验证器。其高信息增益体现在能直观揭示特征间的共线性问题，防止模型过拟合，同时为多变量分析提供可解释的统计依据。尽管计算高效，但其对异常值敏感的特性要求在实际工程落地中需配合鲁棒性统计方法进行校验，确保模型在复杂数据分布下的稳定性。