知识是需要总结的，否则学得越多，忘得越多，最后在知识的海洋里被淹没。
1.统计学习的最基本的技能就是差异检验，参数或者非参数的，t检验，秩和检验，方差分析，无非是计算几个不同来源的数值之间是否有显著差异。
2. 线性回归说简单也简单，其核心就是用最小二乘法确定损失函数的最小值，如果因变量Y是二分类变量，就是逻辑回归，但也是属于线性回归。
3. PCA用得够多了，要说原理，那就是寻找样本在高维空间中方差最大的投影，具体做法是求矩阵的特征值，或者做奇异值分解。
4. CCA不太常用，其原理是分别求X和Y矩阵的主成分，来衡量两个矩阵的相关性。
5. 如果对以上三个知识点有了解，那么就容易理解PLS的原理了，PLS结合了线性回归、PCA和CCA的思想：先对X和Y分别求主成分，然后对两个主成分进行线性回归，求出协方差，然后重复这个过程，直达找到协方差最大的的那一对成分，也就是X和Y分别的线性组合。
如果没有一个核心将以上这些知识点串联起来，学习者就会明显感觉到吃力，因为这些理论看似都是各自为阵的，需要一个一个去攻破。但是随着学习的深入，我们就会发现其中的联系：首先对于连续变量而言，差异检验和线性回归的本质是相通的，因为差异检验的分组就是自变量X，数值就是因变量Y，我们想要搞清楚的是X的变化对Y的影响是不是显著。
再说线性回归和PCA，PCA本身就是一种线性降维，所谓线性是指PCA得到的主成分就是X矩阵中所有变量的线性组合，这与多变量线性回归得到的模型是一致的，因此也就产生了主成分回归PCR这种回归方法，当然，PCR也是无监督的，没有因变量，追求的是方差最大化。至于线性回归和PCR之间的差异，可以再花时间去调研。
CCA和PLS与PCA的联系上面已经简单说过了，操作的基本单元也是矩阵的成分，即线性组合。
说到底，这些知识之间是有严密的逻辑联系的。昨天无意中看到一个叫做continuum regression的概念，中文还没有正式翻译，能找到的资料也很少，这个方法把OLS、PLS和PCA联系到了一起，设置了一个超参数α，后面再找找资料深入了解吧。
