Regressão por Mínimos Quadrados Parciais (PLS)
A regressão por mínimos quadrados parciais (PLS) prevê uma resposta a partir de muitos preditores, frequentemente altamente colineares, projetando-os em um pequeno conjunto de componentes latentes — mas, ao contrário da regressão por componentes principais (PCR), ela escolhe esses componentes para maximizar sua covariância com a resposta, e não apenas a variância dos preditores. Essa redução de dimensão supervisionada faz da PLS uma ferramenta essencial em quimiometria, espectroscopia e outros cenários de dados amplos (wide data), onde os preditores superam vastamente as observações.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/pt/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.
- Regressão Linear MúltiplaEstatística↔ compare
- Regressão por Componentes Principais (PCR)Aprendizado de máquina↔ compare
- Regressão RidgeAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →