Regresión por Mínimos Cuadrados Parciales (PLS)
La regresión por Mínimos Cuadrados Parciales (PLS) predice una respuesta a partir de muchos predictores, a menudo altamente colineales, proyectándolos en un pequeño conjunto de componentes latentes; pero, a diferencia de la regresión por componentes principales (PCR), elige esos componentes para maximizar su covarianza con la respuesta, no solo la varianza de los predictores. Esta reducción de dimensionalidad supervisada hace de la PLS una herramienta fundamental en quimiometría, espectroscopía y otros entornos de datos anchos (wide data), donde los predictores superan ampliamente en número a las observaciones.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/es/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.
- Regresión Lineal MúltipleEstadística↔ compare
- Regresión por componentes principales (PCR)Aprendizaje automático↔ compare
- Regresión RidgeAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →