Covariance Matrix – macierz określająca zależności między zmiennymi.

Macierz, która w statystyce i analizie danych służy do opisu współzależności między wieloma zmiennymi losowymi jednocześnie. Elementy tej macierzy stanowią kowariancje pomiędzy parami zmiennych, co pozwala na ocenę, w jakim stopniu zmienne te zmieniają się współzależnie. Wartość kowariancji dodatnia wskazuje na tendencję zmiennych do wspólnego wzrostu lub spadku, natomiast wartość ujemna sugeruje, że wzrost jednej zmiennej wiąże się ze spadkiem drugiej.

W kontekście metod sztucznej inteligencji i uczenia maszynowego, macierz ta odgrywa istotną rolę w analizie danych wielowymiarowych, takich jak modele przestrzeni cech czy redukcja wymiarowości (np. PCA – analiza głównych składowych). Umożliwia także określenie kształtu i rozkładu zbioru danych oraz służy jako podstawa do konstrukcji modeli probabilistycznych oraz oceny korelacji w zbiorach uczących. Poprawne oszacowanie macierzy współzmienności jest kluczowe dla wydajności oraz dokładności wielu algorytmów uczenia.