Régression par moindres carrés partiels (PLS)
La régression par moindres carrés partiels prédit une réponse à partir de nombreux prédicteurs, souvent fortement colinéaires, en les projetant sur un petit ensemble de composantes latentes — mais, contrairement à la régression par composantes principales, elle choisit ces composantes pour maximiser leur covariance avec la réponse, et non pas seulement la variance des prédicteurs. Cette réduction de dimension supervisée fait des PLS un outil de prédilection en chimiométrie, spectroscopie et autres contextes à large dimension où les prédicteurs sont bien plus nombreux que les observations.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/fr/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.
- Régression linéaire multipleStatistique↔ compare
- Régression par composantes principales (RCP)Apprentissage automatique↔ compare
- Régression RidgeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →