Regresszió parciális legkisebb négyzetes módszerrel (PLS)
A parciális legkisebb négyzetes (PLS) regresszió sok, gyakran erősen kollineáris prediktorból jósolja meg a választ, azáltal, hogy ezeket kis számú latens komponensre vetíti le — de a főkomponens regresszióval (PCR) ellentétben, a PLS ezeket a komponenseket úgy választja meg, hogy maximalizálja a válaszsal való kovarianciát, nem csupán a prediktorok varianciáját. Ez a felügyelt dimenzióredukció teszi a PLS-t a kemometriában, spektroszkópiában és más, nagyszámú prediktorral és kevés megfigyeléssel rendelkező (wide-data) helyzetekben alapvető módszerré, ahol a prediktorok száma messze meghaladja a megfigyelésekét.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/hu/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.
- Többváltozós lineáris regresszióStatisztika↔ compare
- Főkomponens regresszió (PCR)Gépi tanulás↔ compare
- Ridge RegressionGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →