OGA + HDBIC + Trim

算法實現
OGA+ HDIC + Trim
HDIC = (HDBIC / HDHQ)

1. 進行Kn次的OGA的迭代，其中Kn是OGA的迭代上限
2. 獲得k個回歸因子後，計算高維信息準則HDIC;
3. 選擇OGA迭代結束時可以最小化HDIC的k, 1 <= k <= Kn,
4. 使用Trim獲得最小的相關數據集合

細節
1.

（1） OGA算法實現
1)使用選擇器（2.1）找到當前的最優變(greedy的思想)

但是我們不使用（2.2）定義 ,在OGA中 定義如下：
對於2.2 使用了線性變換，把
目的是實現預測變量的序列正交化，以便通過逐元素線性回歸來計算OLS（普通最小二乘方法）

可以把選擇出的 投影到之前選出的、且已經正交化的空間，得到
所以，以前選中的空間無法表示的新增空間為
算法流程：
I: 已經選擇了一個變量初始化，hat(y_0(.)) = 0,
II. 進行（2.1）得到x1, x1不需要計算正交；
III 再進行（2.1）,得到x2, x2投射到{x1}空間，得到x2_, delta x2 = x2- x2_,(需要申明一點（2.1）的目的是選擇出當前的最優特征，（2.2）或（2.3）的目的是計算當前的最優預測結果，可以用不同的規則計算最優預測結果，（2.3）的正交思想是：模型中每一個因子表示的信息都是其餘因子無法表示的部分ÿ