前言
典型关联分析(Canonical Correlation Analysis，简称CCA)是最常用的挖掘数据关联关系的算法之一。比如我们拿到两组数据，第一组是人身高和体重的数据，第二组是对应的跑步能力和跳远能力的数据。那么我们能不能说这两组数据是相关的呢？CCA可以帮助我们分析这个问题。
CCA概述
在数理统计里面，都知道相关系数这个概念。假设有两组一维的数据集X和Y，则相关系数ρ的定义为:
其中cov(X,Y)是X和Y的协方差，而D(X),D(Y)分别是X和Y的方差。相关系数ρ的取值为[-1,1], ρ的绝对值越接近于1，则X和Y的线性相关性越高。越接近于0，则X和Y的线性相关性越低。
虽然相关系数可以很好的帮我们分析一维数据的相关性，但是对于高维数据就不能直接使用了。如上所述，如果X是包括人身高和体重两个维度的数据，而Y是包括跑步能力和跳远能力两个维度的数据，就不能直接使用相关系数的方法。那我们能不能变通一下呢？CCA给了我们变通的方法。
CCA使用的方法是将多维的X和Y都用线性变换为1维的X'和Y'，然后再使用相关系数来看X'和Y'的相关性。将数据从多维变到1位，也可以理解为CCA是在进行降维，将高维数据降到1维，然后再用相关系数进行相关性的分析。
CCA算法思想
上面提到CCA是将高维的两组数据分别降维到1维，然后用相关系数分析相关性。但是有一个问题是，降维的标准是如何选择的呢？回想下主成分分析PCA，降维的原则是投影方差最大；再回想下线性判别分析LDA，降维的原则是同类的投影方差小，异类间的投影方差大。对于我们的CCA，它选择的投影标准是降维到1维后，两组数据的相关系数最大。
假设数据集是X和Y，X为n1×m的样本矩阵，Y为n2×m的样本矩阵.其中m为样本个数，而n1,n2分别为X和Y的特征维度。对于X矩阵，将其投影到1维，对应的投影向量为a, 对于Y矩阵，将其投影到1维，对应的投影向量为b, 这样X ,Y投影后得到的一维向量分别为X',Y'。我们有
CCA的优化目标是最大化ρ(X′,Y′)，得到对应的投影向量a,b，即
在投影前，一般会把原始数据进行标准化，得到均值为0而方差为1的数据X和Y。这样我们有：
由于X，Y的均值均为0，则
令SXY=cov(X,Y)，则优化目标可以转化为：
由于分子分母增大相同的倍数，优化目标结果不变，我们可以采用和SVM类似的优化方法，固定分母，优化分子，具体的转化为：
进而CCA算法的目标最终转化为一个凸优化过程，只要求出了这个优化目标的最大值，就是前面提到的多维X和Y的相关性度量，而对应的a,b则为降维时的投影向量。
这个函数优化一般有两种方法，第一种是奇异值分解SVD，第二种是特征分解，两者得到的结果一样。
SVD求解CCA
对于上面的优化目标，可以做一次矩阵标准化后在使用SVD来求解。
首先令
可以看出，SVD的求解方式非常简洁方便。但如果不熟悉SVD的话，也可以用传统的拉格朗日函数加上特征分解来完成这个函数的优化。
特征值分解求CCA
特征分解方式比较传统，利用拉格朗日函数，优化目标转化为最大化下式：
要求最大的相关系数λ,只需要对上面的矩阵做特征分解，找出最大的特征值取平方根即可，此时最大特征值对应的特征向量即为X的线性系数a。同样的办法，可以找到最大特征值对应的特征向量即为Y的线性系数b。
可以看出特征分解的方法要比SVD复杂，但是两者求得的结果其实是等价的，只要利用SVD和特征分解之间的关系就很容易发现两者最后的结果相同。
CCA算法流程
对CCA算法流程做一个归纳，以SVD方法为例：
输入：各为m个的样本X和Y，X和Y的维度都大于1
输出：X,Y的相关系数ρ,X和Y的线性系数向量a和b
总结
CCA算法广泛的应用于数据相关度的分析，同时还是偏最小二乘法的基础。但是由于它依赖于数据的线性表示，当我们的数据无法线性表示时，CCA就无法使用，此时我们可以利用核函数的思想，将数据映射到高维后，再利用CCA的思想降维到1维，求对应的相关系数和线性关系，这个算法一般称为KCCA。此外，在算法里只找了相关度最大的奇异值或者特征值，作为数据的相关系数，实际上我们也可以像PCA一样找出第二大奇异值，第三大奇异值，。。。得到第二相关系数和第三相关系数。然后对数据做进一步的相关性分析。但是一般的应用来说，找出第一相关系数就可以了。