[XLOADINGS, yloadings]= pls regresses(x, y, NCOMP) 가 가장 적게 계산됩니다.
NCOMP PLS 구성요소 또는 Y 대 Y 의 잠재적 제곱 회귀를 사용합니다.
계수를 선택하고 예측 값과 응답 하중을 반환합니다. X 는 n 곱하기 p 입니다
예측 변수 행렬, 행은 관찰에 해당합니다.
변수에 나열하다. Y 는 N×M 응답 행렬입니다. XLOADINGS 는
예측기가 로드한 p 곱하기 NCOMP 행렬. 각 행은 XLOADINGS 입니다.
PLS 구성요소의 선형 조합을 정의하는 계수를 포함합니다.
원래 예측 변수에 가깝습니다. YLOADINGS 는
M-by-NCOMP 는 YLOADINGS 행렬에 응답합니다. 여기서 각 행은 YLOADINGS 입니다.
PLS 구성요소의 선형 조합을 정의하는 계수를 포함합니다.
원래 응답 변수에 가깝습니다.
[XLOADINGS, yloadings, xs cores]= pls regresses(X, y, NCOMP) 가 반환합니다.
예측 점수, 즉 PLS 성분의 선형 조합.
X. XSCORES 의 변수는 행이 있는 n x NCOMP 직교 행렬입니다.
관찰에 해당하고 열은 어셈블리에 해당합니다.
[XLOADINGS, YLOADINGS, XSCORES, YSCORES] = plsregress(X, y, NCOMP)
응답 점수, 즉 선형 조합을 반환합니다.
PLS 구성 요소 XSCORES 는 공분산 응답이 가장 큽니다.
YSCORES 는 n x NCOMP 행렬로, 행은 관찰에 해당합니다.
어셈블리에 나열하다. Y 스코어는 직교도 표준화도 아니다.
Plsregress 는 먼저 x 와 y 를 중심으로 SIMPLS 알고리즘을 사용합니다.
열을 빼는 것은 중간에 변수 X0 과 Y0 을 얻는 것을 의미합니다.
그러나 열 크기는 조정되지 않습니다. 적어도 집행하다
제곱 회귀에는 표준화된 변수를 사용하고 x 에는 ZSCORE 를 사용합니다.
Y 는요
NCOMP 를 생략하면 기본값은 min 입니다 (SIZE(X, 1)- 1, size (x, 2)).
분수, 하중 및 중심 변수 X0 간의 관계
당신은
Xloadings = (xscores \ x0)' = x0' * xscores,
Yloadings = (xscores \ y0)' = y0' * xscores,
즉, XLOADINGS 와 yloadings 는 회귀 계수 X0 과 X0 입니다.
XSCORES 에서 Y0 과 XSCORES * xloadings' 와 xs cores * yloadings' 는 PLS 입니다.
대략 X0 과 Y0 입니다. Plsregress 가 처음에 계산한 YSCORES 는 다음과 같습니다
Yscores = y0 * yloadings = y0 * y0' * xscores,
그러나 전통적으로 plsregress 는 각 열을 직각으로 만들었습니다
이전 XSCORES 열의 YSCORES 에 대해 이렇게 말했습니다
XSCORES 의 * YSCORES 는 아래 삼각형입니다.
[XL, YL, XS, YS, 베타] = plsgress (x (x, y, NCOMP, ...) 는 pls 회귀를 반환합니다.
계수 β. 베타는 가로채기가 있는 (P+ 1) x m 행렬이다.
첫 번째 행의 항목은 Y = [ONES(N,1) x] * 베타+yresidual 입니다
Y0 = x0 * 베타 (2: end,)+Yresiduals.
[XL, YL, XS, YS, 베타, pct var]= pls gress(X, y, NCOMP) 는 2 곱하기 NCOMP 를 산출한다.
행렬 PCTVAR 에는 이 방법으로 해석된 분산 백분율이 포함되어 있습니다.
모형. PCTVAR 의 첫 번째 행에는 차이 백분율이 포함되어 있습니다.
각 PLS 구성요소는 x 에서 해석되고 두 번째 행에는 다음이 포함됩니다
Y 로 해석한 차이 퍼센트.
[XL, YL, XS, YS, 베타, PCTVAR, MSE] = plsregrBETAs es (x, y, NCOMP) 반환.
2 곱하기 -(NCOMP+ 1) 행렬 MSE 에는 예상 평균 제곱 오차가 포함되어 있습니다.
0: ncomp 성분이 포함된 PLS 모델. MSE 의 첫 번째 행에는 평균이 포함되어 있습니다.
X 및 두 번째 행의 예측 변수의 제곱 오차
Y 의 응답 변수에 대한 평균 제곱 오차를 포함합니다.
[XL, YL, XS, YS, 베타, PCTVAR, MSE] = plsregress (...,' PARAM 1', val/
제어할 선택적 매개변수 이름/값 쌍을 지정할 수 있습니다.
MSE 를 계산합니다. 이러한 매개변수는 다음과 같습니다.
MSE 계산에 사용되는 "CV" 방법입니다. CV 가 양수일 때
정수 k, plsregress 는 k 재교차 검증을 사용합니다. 그룹
CV' 에서 상호 검증 파티션으로, 를 사용하여 생성
다른 형태의 상호 검증을 사용하는 cv 파티션. 언제?
"CV" 는 대체이고 plsregress 는 x 와 y 를 모두 사용합니다.
모델을 맞추고 평균 제곱 오차를 추정합니다.
상호 검증이 없습니다. 기본값은 대치입니다.
"MCReps" 는 몬테카를로의 횟수를 나타내는 양의 정수입니다.
상호 검증을 반복합니다. 기본값은 1 입니다.
"CV" 가 "교체" 인 경우 "MCReps" 는 1 이어야 합니다.
옵션 pls 진행의 구조를 제어하는 방법을 지정합니다.
상호 검증 계산을 수행합니다. 이 논점은 가능하다
STATSET 를 호출하여 만듭니다. Plsregress 는 다음을 사용합니다
구조 필드:
평행선 사용'
하위 흐름 사용'
"흐름"
이러한 필드에 대한 자세한 내용은 PARALLELSTATS 를 참조하십시오.
참고: 제공된 경우' 스트림' 의 길이는 1 이어야 합니다.