【機械学習の知識】ピアソン相関係数の概要と読み解き方
2つのデータの関係性を分析する際、「一方が増えると、もう一方も増えるのか？」という関係性を数値で客観的に評価したい場面が多々あります。その最も代表的な指標が「ピアソン相関係数」です。今回はその意味と数値の読み解き方を整理します。
1. 【 概要 】
ピアソン相関係数とは、2つの変数が「どれだけ同じように変化するか（直線的な関係性があるか）」を表す統計指標です。
例えば、「気温とアイスクリームの売上」のように、一方が上がればもう一方も上がる関係にあるのか、あるいは全く無関係なのかを「数値」として客観的に判断するために用いられます。
2. 【 基本手順（数値の読み解きルール） 】
(2) 数値の「絶対値」が大きいほど、相関が強い（連動性が高い）
(3) 正の値（プラス）は、一方が大きくなれば他方も大きくなる「正の相関」
(4) 負の値（マイナス）は、一方が大きくなれば他方は小さくなる「負の相関」
(5) `0` に近い値は、2つの変数に関連性が見られない「無相関」
3. 整理：各状態の具体的な意味
相関係数の数値（プラス、マイナス、ゼロ）がそれぞれ何を意味しているのか、具体例を交えてステップごとに見ていきましょう。
【 各数値が示す具体的な状態 】
一方が増えると、もう一方も同じように増える関係です。
例：「気温」と「エアコンの電気代」、「勉強時間」と「テストの点数」など。
・状態(2)：負の相関（値が 0 より小さく -1 に近い）
一方が増えると、もう一方は逆に減っていく関係です。
例：「商品の価格」と「売上数量」、「標高」と「気温」など。
・状態(3)：無相関（値が 0 に近い）
一方の変化が、もう一方に全く影響を与えていない状態です。
例：「身長」と「テストの点数」、「靴のサイズ」と「年収」など。
・状態(4)：絶対値と強さの目安
「0.7以上（または -0.7以下）」＝ 強い相関がある
「0.4〜0.7（または -0.4〜-0.7）」＝ 中程度の相関がある
「0.2以下（または -0.2以上）」＝ ほとんど相関がない
4. 関連して押さえたい「相関関係と因果関係の決定的な違い」
データ分析の現場で最も注意しなければならないのが、「相関関係があるからといって、因果関係があるとは限らない」という点です。
例えば、「アイスクリームの売上」と「水難事故の件数」のピアソン相関係数を計算すると、強い『正の相関（プラスの値）』が出ます。
しかし、「アイスを買うと溺れる（因果関係）」わけではありません。実際には「夏場で気温が高い」という第3の要因（潜伏変数）が、両方を同時に増加させているだけです。
相関係数はあくまで「数値が連動して動いているか」を示しているに過ぎず、「どちらかが原因で、どちらかが結果か」までは証明してくれません。分析の際は、数値だけで判断せず背景のロジックをしっかり考える必要があります。
5. 補足：Python（Pandas）での相関係数の出し方
実際のデータ分析（Python）で、ピアソン相関係数を一瞬で算出するコードの例です。
Pandasを使えば、全項目同士の相関係数を表（相関行列）にして確認できます。
df['気温'].corr(df['売上'])
# データフレーム全体の相関行列を出力
df.corr()
# 出力イメージ
# 気温と売上の相関係数が「0.85」なら、強い正の相関！
6. まとめ
データマイニングや機械学習の前処理で頻繁に使われる「ピアソン相関係数」。-1から1までの範囲をとり、プラスなら正の相関（共に増える）、マイナスなら負の相関（一方が増えると一方は減る）、絶対値が1に近いほど強い連動性を示すという基本ルールを押さえておきましょう。因果関係との違いに注意しながら、データ間の隠れたつながりを見つける強力な武器として活用してください！
