可以通过检查检测的高多重共线性 特征值 的 相关矩阵 。极低的特征值表明数据是共线的，相应的 特征向量 表明哪些变量是共线的。
如果数据中不存在共线性，则可以预期所有特征值都不接近零：
>>> xs = np.random.randn(100, 5) # independent variables>>> corr = np.corrcoef(xs, rowvar=0) # correlation matrix>>> w, v = np.linalg.eig(corr) # eigen values & eigen vectors>>> warray([ 1.256 , 1.1937, 0.7273, 0.9516, 0.8714])
但是，如果说
x[4] - 2 * x[0] - 3 * x[2] = 0，那么
>>> noise = np.random.randn(100)# white noise>>> xs[:,4] = 2 * xs[:,0] + 3 * xs[:,2] + .5 * noise # collinearity>>> corr = np.corrcoef(xs, rowvar=0)>>> w, v = np.linalg.eig(corr)>>> warray([ 0.0083, 1.9569, 1.1687, 0.8681, 0.9981])
特征值之一（这里是第一个）接近零。对应的特征向量为：
>>> v[:,0]array([-0.4077, 0.0059, -0.5886, 0.0018, 0.6981])
基本上忽略了 几乎为零的
系数，上面基本上说
x[0]，
x[2]并且
x[4]是共线性的（如预期的那样）。如果一个标准化
xs值并乘以该特征向量，则结果将在零附近徘徊，并且变化很小：
>>> std_xs = (xs - xs.mean(axis=0)) / xs.std(axis=0) # standardized values>>> ys = std_xs.dot(v[:,0])>>> ys.mean(), ys.var()(0, 0.0083)
注意，
ys.var()基本上本征值接近于零。
因此，为了捕获高多线性度，请查看相关矩阵的特征值。
