偏最小二乘 PLS _B < 二>

这是第二部分求最佳的预测系数B的代码

#encoding:utf-8

# 导入numpy包
import numpy as np

#定义一个PLS的类
class  PLS(object): 
    def comput(self,pc,x,y):
        
        #最初始 的X,Y
        self.X = x
        self.Y = y
        
        # 获取数据X的样本数和纬度
        m, n = self.X.shape
        
        self.T = np.zeros((m, pc))#生成一个存放T的矩阵,后面用来存放数据
        self.W = np.zeros((n, pc))#生成一个存放W的矩阵
        self.P = np.zeros((n, pc))#生成一个存放P的矩阵
        self.Q = np.zeros((self.Y.shape[1], pc))#生成一个存放Q的矩阵
        self.U = np.zeros((m, pc))#生成一个存放U的矩阵
        B = np.zeros((n, pc))#生成一个存放B的矩阵
        
        
        for i in range(pc): # 控制循环次数，选取几个主成分，循环几次
#             u=np.array(np.mat(self.Y[:, [0]]))
            if i==0:
                u=np.mat(self.Y[:, 0]).T# 将y的一列给u
            else:
                u=np.mat(self.Y[:, 0])
            mz=True
            while mz:
                #进行六步骤的迭代，一般的PLS论文上写的很清楚，这就不重复了
                w=np.dot(self.X.T,u)
                w=np.true_divide(w,np.sqrt(np.dot(w.T,w)))
                t=np.dot(self.X,w)
                q=np.true_divide(np.dot(self.Y.T,t),np.dot(t.T,t))
            
                unew=np.true_divide(np.dot(self.Y,q),np.sqrt(q.T*q))
                diff =np.dot((u-unew).T,(u-unew))
                if diff<2.2204*10**(-16):# 训练到一个合适的精度
                    mz=False
                else:
                    u=unew

            p=np.true_divide(np.dot(self.X.T,t),np.dot(t.T,t))
            
            self.X=self.X-np.dot(t,p.T)  # 将X， Y的残差作为 X， Y继续提取潜在变量
            self.Y=self.Y-np.dot(t,q.T)
            
            self.W[:, i] = w.T.ravel()# 将前面提取的成分存储到前面定义的矩阵当中
            self.T[:, i] = t.T.ravel()
            self.P[:, i] = p.T.ravel()
            self.U[:, i] = unew.T.ravel()
            self.Q[:, i] = q.T.ravel()
            
            b1=self.W[:,0:i+1]   # 后面的几部是求得B的值
            b2=np.linalg.inv(np.dot(self.P[:,0:i+1].T,self.W[:,0:i+1]))
            b3=self.Q[:,0:i+1].T
            b = np.dot(np.dot(b1,b2),b3)
            B[:, i] = b.ravel()

        return B