Регресія методом частенних найменших квадратів (PLS)
Регресія методом частенних найменших квадратів (PLS) прогнозує відгук на основі багатьох, часто високо колінеарних предикторів, проєктуючи їх на невелику кількість латентних компонент — але, на відміну від регресії методом головних компонент, вона обирає ці компоненти для максимізації їхньої коваріації з відгуком, а не лише дисперсії предикторів. Це кероване зменшення розмірності робить PLS робочим інструментом у хемометриці, спектроскопії та інших сценаріях з широкими даними, де предикторів значно більше, ніж спостережень.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Partial Least Squares Regression (PLS). ScholarGate. https://scholargate.app/uk/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.
- Множинна лінійна регресіяСтатистика↔ compare
- Регресія на головні компоненти (PCR)Машинне навчання↔ compare
- Гребенева регресіяМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →