Регресия на частичните най-малки квадрати (PLS)
Регресията на частичните най-малки квадрати предсказва отговор от множество, често силно колинеарни предиктори, като ги прожектира върху малък набор от латентни компоненти — но, за разлика от регресията на главните компоненти, тя избира тези компоненти така, че да максимизира тяхната ковариация с отговора, а не само дисперсията на предикторите. Това контролирано намаляване на размерността прави PLS основен инструмент в хемометриката, спектроскопията и други среди с големи данни, където броят на предикторите значително надвишава броя на наблюденията.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Wold, S., Sjöström, M., & Eriksson, L. (2001). PLS-regression: a basic tool of chemometrics. Chemometrics and Intelligent Laboratory Systems, 58(2), 109–130. DOI: 10.1016/S0169-7439(01)00155-1 ↗
- Geladi, P., & Kowalski, B. R. (1986). Partial least-squares regression: a tutorial. Analytica Chimica Acta, 185, 1–17. DOI: 10.1016/0003-2670(86)80028-9 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/bg/machine-learning/partial-least-squares
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Множествена линейна регресияСтатистика↔ compare
- Регресия чрез главни компоненти (PCR)Машинно обучение↔ compare
- Регресия с гребен (Ridge Regression)Машинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →