典型相关分析

「 25' h 」

于 2022-03-11 11:37:47 发布

阅读量350

点赞数

分类专栏：数学建模文章标签：机器学习数据挖掘数学建模典型相关分析

本文链接：https://blog.csdn.net/weixin_54884881/article/details/123418312

版权

数学建模专栏收录该内容

13 篇文章 2 订阅

订阅专栏

典型相关分析

是什么
原理
步骤

是什么

典型关联分析(Canonical Correlation Analysis，以下简称CCA)是最常用的挖掘数据关联关系的算法之一。比如我们拿到两组数据，第一组是人身高和体重的数据，第二组是对应的跑步能力和跳远能力的数据。那么我们能不能说这两组数据是相关的呢? CCA可以帮助我们分析这个问题。

原理

假设两组变量分别为:

$X^{(1)}=\left(X_{1}^{(1)}, X_{2}^{(1)}, \cdots, X_{p}^{(1)}\right), X^{(2)}=\left(X_{1}^{(2)}, X_{2}^{(2)}, \cdots, X_{q}^{(2)}\right)$

分别在两组变量中每个指标选取适当的权值参数得到 $U_{i} 、 V_{i} ,$ 使得每一个综合变量是原变量的线性组合, 即

$\begin{array}{l} U_{i}=a_{1}^{(i)} X_{1}^{(1)}+a_{2}^{(i)} X_{2}^{(1)}+\cdots+a_{p}^{(i)} X_{p}^{(1)} \triangleq \mathbf{a}^{(i)} \mathbf{X}^{(1)} \\ V_{i}=b_{1}^{(i)} X_{1}^{(2)}+b_{2}^{(i)} X_{2}^{(2)}+\cdots+b_{q}^{(i)} X_{q}^{(2)} \triangleq \mathbf{b}^{(i)} \mathbf{X}^{(2)} \end{array}$

注意: 综合变量的组数是不确定的也就是存在多组 ${U_i,V_i\}$ , 但是如果第一组就能代表原样本数据大部分的信息, 那么一组就足够了。假设第一组反映的信息不够, 我们就需要找第二组了。并且为了让第二组的信息更有效, 需要保证两组的信息不相关（我的理解：说明在之前这组生成的综合变量之间没有很好的反应总体数据的特征，所以要想与之垂直度方向上进行新的综合变量求解）。