我不确定“最小化相关性”是否是这个问题的正确标题，但我找不到更好的句子来描述我想要实现的目标。
假设我有一个带有多个输入和一个输出的黑匣子。我知道输入和输出之一，并且我有两者的多个示例录音。这个已知输入会以一种不希望的方式修改输出，因此，我想摆脱由已知输入引起的这种“噪音”。这个输入的传递函数可以安全地假设为线性的。
我现在正在做的是遍历示例记录，创建一个线性回归模型来预测不需要的结果，并从每个示例的实际测量输出信号中减去它。之后，我计算所有固定输出信号的平均值，以揭示噪声之外的有意义的数据。
该策略似乎根据以下情节起作用：
X 轴是已知的输入信号，Y 轴是输出信号，蓝点和绿点分别代表应用线性回归算法前后的平均数据。线条最适合每个数据集。
您可以看到绿线（“清理过的”数据集）的斜率最小，这意味着输出变量与输入的线性相关性比以前要小得多。因此，我假设前面解释的回归技术按预期工作。
我的问题是，看图，是否有任何数学程序可以以最小化输入和输出变量之间的相关性的方式直接“投影”原始数据集？是否有任何数学技巧可以避免在所有示例数据集上使用回归技术来获得相似的结果？
我的书面表达不是最好的，所以如果您需要进一步的解释，请随时评论这个问题。
欢迎任何代码，但首选 python（pandas、numpy 等）和 Matlab。理论解释也很受欢迎。