Método estadístico que encuentra pares de combinaciones lineales (variantes canónicas) de dos conjuntos multivariados de datos de modo que se maximiza la correlación entre las combinaciones emparejadas, proporcionando modos ordenados de dependencia lineal compartida.

Principio

Resolver un problema generalizado de valores propios construido a partir de las matrices de covarianza dentro de cada conjunto y de la covarianza entre conjuntos para obtener direcciones canónicas ortogonales; cada par canónico maximiza la correlación sujeto a restricciones de ortogonalidad con los pares anteriores.

Demostración

Dado X (lecturas de sensores) e Y (métricas de rendimiento), calcular pesos lineales a y b de modo que corr(a^T X, b^T Y) sea máxima; el par canónico principal revela el patrón lineal compartido dominante entre ambas representaciones.

Aplicación incorrecta

Aplicar CCA sin comprobar linealidad o adecuación del tamaño de muestra (poca n, alta dimensionalidad) o sin regularizar matrices de covarianza mal condicionadas; interpretar resultados de CCA como causalidad en lugar de asociación lineal.

Consecuencia

CCA proporciona un mapeo simétrico de baja dimensión que destaca la estructura lineal compartida y permite reducción de dimensionalidad para aprendizaje supervisado subsiguiente o interpretación cruzada de dominios.

Inversión

La inversión selecciona direcciones que minimizan la correlación o encuentra direcciones ortogonales que explican solo la varianza dentro de cada conjunto (como PCA); invertir el objetivo produce componentes que enfatizan independencia en lugar de estructura compartida.

Límite

Método lineal basado en segundos momentos: válido cuando las relaciones son aproximadamente lineales y las covarianzas son estimables; no captura dependencias fuertemente no lineales sin extensiones kernel o no lineales y requiere regularización cuando las variables superan a las observaciones.

Tensión semántica

Existe tensión entre CCA y métodos relacionados: PLS prioriza predicción y covarianza, PCA ignora la covarianza cruzada, mientras que CCA prioriza la correlación simétrica máxima — la elección depende de si se busca asociación simétrica o direccionalidad predictiva.

Síntesis

CCA es una técnica lineal y simétrica de reducción de dimensión que produce pares ordenados de proyecciones que maximizan la correlación entre dos conjuntos de variables, útil para exponer modos lineales compartidos mientras exige cuidado con tamaño de muestra y regularización.