Ce projet propose une implémentation Python des tests RCIT/RCoT, permettant d'évaluer l'indépendance conditionnelle entre variables en grande dimension. Il utilise des techniques d'approximation de matrices de noyaux via des *random Fourier features* pour des analyses statistiques robustes. Destiné aux chercheurs et data scientists, il facilite la validation de modèles et l'exploration de relations complexes dans les données.

Ce projet propose une implémentation Python des tests RCIT et RCoT, initialement développés en R. Il permet d'évaluer l'indépendance conditionnelle entre variables dans des jeux de données complexes grâce à des méthodes basées sur des approximations de matrices de noyaux. Utilisé principalement en recherche académique et en analyse de données, il facilite la validation de modèles et l'exploration de relations statistiques avancées.