Eine statistische Methode, die Paare linearer Kombinationen (kanonische Variaten) zweier multivariater Datensätze findet, sodass die Korrelationen zwischen den jeweils zugeordneten linearen Kombinationen maximiert werden und geordnete Modi gemeinsamer linearer Abhängigkeit entstehen.

Prinzip

Löst ein verallgemeinertes Eigenwertproblem, das aus den Kovarianzmatrizen innerhalb der Mengen und der Zwischensatz-Kovarianz aufgebaut ist, um orthogonale kanonische Richtungen zu erhalten; jedes kanonische Paar maximiert die Korrelation unter Orthogonalitätsbedingungen zu vorhergehenden Paaren.

Demonstration

Gegeben Messungen X (Sensorwerte) und Y (Leistungskennzahlen), bestimmt man lineare Gewichte a und b, sodass corr(a^T X, b^T Y) maximal ist; das führende kanonische Paar zeigt das dominierende gemeinsame lineare Muster zwischen den beiden Repräsentationen.

Fehlanwendung

CCA anzuwenden, ohne Linearität oder ausreichende Stichprobengröße zu prüfen (kleine n, hohe Dimensionalität) oder ohne Regularisierung schlecht konditionierter Kovarianzmatrizen; CCA-Ergebnisse als Kausalitätsbeleg zu deuten statt als lineare Assoziation.

Konsequenz

CCA liefert eine niedrigdimensionale, symmetrische Abbildung, die gemeinsame lineare Strukturen hervorhebt, gekoppelte Modi identifizierbar macht und Merkmalsreduktion für nachgelagerte überwachte Verfahren oder Interpretation ermöglicht.

Umkehrung

Die Umkehr wählt Richtungen, die Korrelation minimieren oder orthogonale Richtungen finden, die nur innerhalb-Mengen-Varianz erklären (wie PCA); ein umgekehrtes Ziel führt zu Komponenten, die Unabhängigkeit statt gemeinsame Struktur betonen.

Abgrenzung

Lineares, auf zweiten Momenten beruhendes Verfahren: gültig, wenn Beziehungen ungefähr linear sind und Kovarianzen schätzbar sind; es erfasst keine stark nichtlinearen Abhängigkeiten ohne Kernel- bzw. nichtlineare Erweiterungen und erfordert Regularisierung, wenn Variablen die Beobachtungen übersteigen.

Semantische Spannung

Spannung besteht zwischen CCA und verwandten Methoden: PLS betont Vorhersage und Kovarianz, PCA ignoriert Kreuzkovarianz, CCA maximiert symmetrisch die Korrelation — die Wahl hängt davon ab, ob symmetrische Assoziation oder Vorhersagerichtung gewünscht ist.

Synthese

CCA ist eine lineare, symmetrische Dimensionsreduktionsmethode, die geordnete Paare von Projektionen liefert, welche die Korrelation zwischen zwei Variablensätzen maximieren; sie ist nützlich zur Offenlegung gemeinsamer linearer Modi, benötigt aber sorgfältige Stichproben- und Regularisierungsbehandlung.