Regrese parciálních nejmenších čtverců (PLS)
Regrese parciálních nejmenších čtverců (Partial Least Squares Regression, PLS) předpovídá odezvu z mnoha, často vysoce kolineárních prediktorů tím, že je promítá do malé sady latentních komponent — ale na rozdíl od regrese hlavní komponenty (Principal Component Regression, PCR) volí tyto komponenty tak, aby maximalizovaly jejich kovarianci s odezvou, nikoli pouze rozptyl prediktorů. Tato řízená redukce dimenze činí z PLS klíčovou metodu v chemometrii, spektroskopii a dalších širokých datových scénářích, kde prediktorů výrazně převažuje počet pozorování.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/cs/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.
- Mnohonásobná lineární regreseStatistika↔ compare
- Regrese hlavních komponent (PCR)Strojové učení↔ compare
- Ridge regreseStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →