Méthode statistique qui identifie des paires de combinaisons linéaires (variables canoniques) de deux jeux de données multivariés de façon à maximiser la corrélation entre les combinaisons appariées, produisant des modes ordonnés de dépendance linéaire partagée.

Principe

Résoudre un problème aux valeurs propres généralisé construit à partir des matrices de covariance intra-jeux et de la covariance inter-jeux pour obtenir des directions canoniques orthogonales ; chaque paire canonique maximise la corrélation sous la contrainte d'orthogonalité vis-à-vis des paires précédentes.

Démonstration

Étant donnés des relevés X (capteurs) et Y (indicateurs de performance), calculer des poids linéaires a et b tels que corr(a^T X, b^T Y) soit maximale ; la première paire canonique révèle le motif linéaire partagé dominant entre les deux représentations.

Mauvaise application

Utiliser la CCA sans vérifier la linéarité ou l'adéquation de la taille d'échantillon (petit n, p grand) ou sans régulariser des matrices de covariance mal conditionnées ; interpréter la CCA comme preuve de causalité plutôt que d'association linéaire.

Conséquence

La CCA fournit un mappage symétrique de faible dimension qui met en évidence la structure linéaire partagée et permet la réduction de dimension pour apprentissage supervisé ou l'interprétation croisée des domaines.

Inversion

L'inverse consiste à choisir des directions qui minimisent la corrélation ou trouvent des directions orthogonales expliquant uniquement la variance intra-jeu (comme la ACP) ; inverser l'objectif produit des composantes qui favorisent l'indépendance plutôt que la structure partagée.

Limite

Méthode linéaire fondée sur les seconds moments : valide lorsque les relations sont approximativement linéaires et que les covariances sont estimables ; elle ne capture pas de dépendances fortement non linéaires sans extensions noyau ou non linéaires et nécessite une régularisation quand le nombre de variables dépasse les observations.

Tension sémantique

Tension entre la CCA et des méthodes apparentées : les moindres carrés partiels (PLS) privilégient la prédiction et la covariance, l'ACP ignore la covariance croisée, tandis que la CCA privilégie la corrélation symétrique maximale — le choix dépend de l'objectif (association symétrique vs prédictivité).

Synthèse

La CCA est une technique linéaire et symétrique de réduction de dimension qui produit des paires de projections ordonnées maximisant la corrélation entre deux ensembles de variables, utile pour révéler des modes linéaires partagés tout en exigeant prudence sur la taille d'échantillon et la régularisation.