Regressione ai Minimi Quadrati Parziali (PLS)
La regressione ai minimi quadrati parziali predice una risposta a partire da molti predittori, spesso altamente collineari, proiettandoli su un piccolo insieme di componenti latenti — ma, a differenza della regressione a componenti principali, sceglie queste componenti per massimizzare la loro covarianza con la risposta, non solo la varianza dei predittori. Questa riduzione di dimensione supervisionata rende il PLS uno strumento fondamentale in chemiometria, spettroscopia e altri contesti di dati ampi (wide-data settings) dove i predittori superano di gran lunga le osservazioni.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/it/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.
- Regressione Lineare MultiplaStatistica↔ compare
- Regressione con Componenti Principali (PCR)Apprendimento automatico↔ compare
- Regressione RidgeApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →