การถดถอยกำลังสองน้อยที่สุดบางส่วน (Partial Least Squares Regression - PLS)
การถดถอยกำลังสองน้อยที่สุดบางส่วน (PLS) ทำนายตัวแปรตอบสนองจากตัวแปรทำนายจำนวนมาก ซึ่งมักมีความสัมพันธ์กันเองสูง โดยการฉายภาพตัวแปรเหล่านั้นไปยังส่วนประกอบแฝง (latent components) จำนวนน้อย — แต่แตกต่างจากการถดถอยส่วนประกอบหลัก (principal components regression) ตรงที่ PLS เลือกส่วนประกอบเหล่านั้นเพื่อเพิ่มความแปรปรวนร่วม (covariance) กับตัวแปรตอบสนองให้สูงสุด ไม่ใช่เพียงแค่ความแปรปรวนของตัวแปรทำนาย การลดมิติแบบมีผู้สอน (supervised dimension reduction) นี้ทำให้ PLS เป็นเครื่องมือหลักในสาขาเคมีเชิงปริมาณ (chemometrics) สเปกโทรสโกปี (spectroscopy) และการตั้งค่าข้อมูลแบบกว้าง (wide-data settings) อื่นๆ ที่จำนวนตัวแปรทำนายมีมากกว่าจำนวนการสังเกตการณ์อย่างมาก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/th/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.
- การถดถอยเชิงเส้นพหุสถิติศาสตร์↔ compare
- การถดถอยองค์ประกอบหลัก (Principal Components Regression - PCR)การเรียนรู้ของเครื่อง↔ compare
- Ridge Regressionการเรียนรู้ของเครื่อง↔ compare