Regresija ar daļējiem mazākajiem kvadrātiem (PLS)
Regresija ar daļējiem mazākajiem kvadrātiem paredz atbildi no daudziem, bieži vien ļoti kolineāriem prediktoriem, tos projicējot uz nelielu skaitu latento komponentu — bet, atšķirībā no galveno komponentu regresijas, tā izvēlas šīs komponentes, lai maksimizētu to kovarianci ar atbildi, nevis tikai prediktoru dispersiju. Šī uzraudzītā dimensiju samazināšana padara PLS par galveno metodi ķīmiometrijā, spektroskopijā un citos plašu datu apstākļos, kur prediktori ievērojami pārsniedz novērojumu skaitu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/lv/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.
- Vairākkārtējā lineārā regresijaStatistika↔ compare
- Regresija ar galvenajiem komponentiem (PCR)Mašīnmācīšanās↔ compare
- Regulētā lineārā regresija (Ridge Regression)Mašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →