Canonical Correlation Analysis 算法理解

典型相关性分析(CCA)是一种用于发现不同数据集间相关性的统计方法。通过寻找最优权重,使得两个线性变换后的数据向量的相关系数最大化,以此来评估两组数据之间的关系。该算法在理解不同特征间如何相互关联时非常有用,如在分析小蘅的解题能力和阅读能力之间的联系场景中。
摘要由CSDN通过智能技术生成

Canonical Correlation Analysis 算法理解

Canonical Correlation Analysis(典型相关性分析,简称CCA)是最为常用的挖掘数据之间相关性的算法之一。CCA能够将数据形式不同的矩阵映射为向量,从而可以比较他们之间的相关系数,从而判别两组数据之间是否存在相关性。

问题提出与理论背景

为了寻求两个变量之间的关系,通常我们会使用线性回归对样本点进行拟合,从而找到n维向量X和输出结果Y之间的线性关系。那么对于 X ∈ R n X \in R^n XRn Y ∈ R m Y \in R^m YRm,我们可以建立等式 Y = A X Y = AX Y=AX,如下:

[ y 1 y 2 . . . y m ] = [ w 11 w 12 . . . w 1 n w 21 w 22 . . . w 2 n . . . . . . . . . . . . w m 1 w m 2 . . . w m n ] [ x 1 x 2 . . . x n ] \begin{bmatrix} y_1 \\ y_2 \\ ... \\ y_m \end{bmatrix} = \begin{bmatrix} w_{11} & w_{12} & ... & w_{1n} \\ w_{21} & w_{22} & ... & w_{2n} \\ ... & ... & ... & ... \\ w_{m1} & w_{m2} & ... & w_{mn} \end{bmatrix} \begin{bmatrix} x_1 \\ x_2 \\ ... \\ x_n \end{bmatrix} y1y2...ym=w11w21...wm1w12w22...wm2............w1nw2n...wmn

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值