Machine learning
부분 최소 제곱 회귀 (PLS)
부분 최소 제곱 회귀는 다수의, 종종 고도로 공선형인 예측 변수들을 잠재 구성 요소들의 작은 집합으로 투영하여 반응 변수를 예측합니다. 그러나 주성분 회귀와 달리, PLS는 예측 변수들의 분산만을 최대화하는 것이 아니라 반응 변수와의 공분산을 최대화하도록 구성 요소들을 선택합니다. 이러한 지도 학습 방식의 차원 축소는 PLS를 화학 계량학, 분광학 및 예측 변수의 수가 관측치보다 훨씬 많은 기타 광범위한 데이터 설정에서 핵심적인 도구로 만듭니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/ko/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.
- 다중 선형 회귀통계학↔ compare
- 주성분 회귀 (Principal Components Regression, PCR)머신러닝↔ compare
- 릿지 회귀(Ridge Regression)머신러닝↔ compare