Метод частичных наименьших квадратов (PLS)
Метод частичных наименьших квадратов (PLS) предсказывает отклик на основе множества, часто сильно коллинеарных предикторов, проецируя их на небольшое число скрытых компонент. В отличие от регрессии на главные компоненты (PCR), PLS выбирает эти компоненты так, чтобы максимизировать их ковариацию с откликом, а не только дисперсию предикторов. Это управляемое (supervised) снижение размерности делает PLS рабочим инструментом в хемометрике, спектроскопии и других областях с большим количеством признаков, где предикторы значительно превосходят наблюдения.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/ru/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.
- Множественная линейная регрессияСтатистика↔ compare
- Регрессия на главные компоненты (PCR)Машинное обучение↔ compare
- Гребневая регрессияМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →