Kısmi En Küçük Kareler Regresyonu (PLS)
Partial Least Squares Regression (PLS) · Ayrıca şöyle bilinir: PLS regression, projection to latent structures, PLSR, kısmi en küçük kareler
Kısmi en küçük kareler regresyonu, yanıtı, yanıtla kovaryansı maksimize edecek şekilde — yalnızca öngörücülerin varyansını değil — küçük bir gizli bileşen kümesine yansıtarak tahmin eder. Bu denetimli boyut indirgeme, PLS'yi kemometrik, spektroskopi ve öngörücülerin gözlemlerden çok daha fazla olduğu diğer geniş veri ayarlarında vazgeçilmez kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Çok sayıda, güçlü bir şekilde ilişkili veya gözlemlerinizden daha fazla öngörücünüz olduğunda (p ≫ n) — spektroskopi, kemometri, genomik ve sensör verilerinde klasik durum — ve az sayıda yorumlanabilir bileşenden kararlı bir tahmin modeli istediğinizde PLS regresyonunu kullanın. Genellikle PCR'den daha az bileşen gerektirir çünkü yönleri yanıta göre ayarlanmıştır ve çoklu yanıtları doğal olarak işler (PLS2). Yaklaşık doğrusal bir ilişki varsayar ve kovaryans odaklı olduğu için öngörücü ölçeklendirmesine duyarlıdır, bu nedenle standardizasyon standart uygulamadır. Öngörücüler az ve iyi koşullandırılmış olduğunda, sıradan veya cezalı regresyon (ridge/lasso) daha basittir ve genellikle tercih edilir; PLS özellikle geniş, doğrusal rejimde parlar.
Güçlü yönler & sınırlılıklar
- Çok sayıda, yüksek derecede ilişkili öngörücüyü ve p ≫ n rejimini zarifçe işler.
- Denetimli bileşenler, PCR'den daha az boyutta tahmin sinyalini yakalar.
- Yorumlanabilir gizli bileşenler, puanlar ve yüklemeler sağlar.
- Birden çok yanıt değişkenine doğal olarak genişler (PLS2).
- Yaklaşık olarak doğrusal bir öngörücü-yanıt ilişkisi varsayar.
- Ölçeklendirmeye duyarlıdır, bu nedenle öngörücüler genellikle standartlaştırılmalıdır.
- Bileşen sayısı, tipik olarak çapraz doğrulama ile ayarlanmalıdır.
- Gizli bileşenler orijinal değişkenlerden daha zor yorumlanabilir ve çıkarım daha az standarttır.
SSS
PLS, temel bileşenler regresyonundan nasıl farklıdır?
Her ikisi de regresyondan önce birçok öngörücüyü birkaç bileşene indirger, ancak PCR bileşenleri yalnızca öngörücü varyansına göre (denetimsiz) seçerken, PLS bunları yanıtla kovaryansı maksimize etmek için (denetimli) seçer. PLS, bileşenleri oluştururken hedefi kullandığı için, aynı tahmin doğruluğuna ulaşmak için genellikle daha az bileşene ihtiyaç duyar.
Kaç bileşen tutmalıyım?
Gizli bileşen sayısı çapraz doğrulama ile seçilir — tipik olarak çapraz doğrulama ile tahmin hatasını minimize eden sayıyı seçerek (çoğunlukla tutumluluk için bir standart hata kuralı ile). Çok az bileşen yetersiz uyum sağlar; çok fazlası gürültüyü uydurmaya başlar.
Neden öngörücüleri standartlaştırmalıyım?
PLS bileşenleri kovaryansı maksimize eder, bu da öngörücülerin ölçeğine bağlıdır. Standardizasyon olmadan, büyük ölçeklerde ölçülen değişkenler, ilgililiklerinden bağımsız olarak bileşenlere hakim olur. Öngörücüleri (ve genellikle yanıtı) merkezlemek ve ölçeklendirmek onları eşit zemine oturtur.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/tr/machine-learning/partial-least-squares
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çoklu Doğrusal Regresyonİstatistik↔ karşılaştır
- Temel Bileşenler Regresyonu (PCR)Makine öğrenmesi↔ karşılaştır
- Ridge Regression (Sırt Regresyonu)Makine öğrenmesi↔ karşılaştır