CCA 典型相关分析的原理与应用
哪些公司问过
答案要点
- 目标:分别找两组变量的线性组合 a^T X 与 b^T Y,使二者相关系数最大
- 依次求多对典型变量,后续各对与前面的不相关,最多 min(p,q) 对
- 求解:广义特征值分解,或白化后对交叉协方差矩阵做 SVD,奇异值即典型相关系数
- 与 PCA 区别:PCA 最大化单组变量的方差,CCA 最大化两组之间的相关
- 实践:通常先标准化便于解释系数,高维小样本加正则;扩展有核 CCA、深度 CCA
易错点
- 和 PCA 混淆,说成“找方差最大的方向”
- 忽略 CCA 只能捕捉线性相关,非线性关系需要核 CCA 或深度 CCA
- 高维小样本不加正则,得到虚高的典型相关系数
面试官常见追问
- CCA 和 PLS 有什么区别?
- 为什么要做正则化 CCA?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。