MATLAB基础应用精讲-【数模应用】偏最小二乘回归分析（PLS）（附MATLAB和python代码实现）

目录

前言

几个高频面试题目

PLS回归与线性回归有什么不同？ 

算法原理

算法特点

数学模型

SPSSAU

PLS回归案例

1、背景

2、理论

3、操作

4、SPSSAU 输出结果

5、文字分析

6、剖析

疑难解惑

PLS回归不输出Qh2值？

算法步骤

代码实现

MATLAB

python

---

 

前言

   偏最小二乘法是一种新型的多元统计数据分析方法，它于1983年由伍德(S.Wold)和阿巴诺(C.Albano)等人最早提出来的，在一个算法下，可以同时实现回归建模(多元线性回归)、数据结构简化(主成分分析)以及两组变量之间的相关性分析(典型相关分析)。这是多元统计数据分析中的一个飞跃。

诸如基因组学、转录组学、蛋白组学及代谢组学等高通量数据分析，由于自变量数目大于病例数（未知数大于方程个数），无法直接使用传统的统计分析模型，最小二乘法有时会失效，遇到这种情况，需要先降维处理。有监督的降维方法，除了常用的LASSO，还有一种叫PLS（偏最小二乘法 Partial Least Squares，或称PLSR 偏最小二乘法回归）。PLSR对成分分析和回归十分友好。

偏最小二乘法回归主要用于解决多对多的线性回归分析问题,尤其是变量之间存在多重相关性、变量多但样本容量小、异方差等问题时,使用最小二乘法回归具有经典线性回归无法比拟的优势。偏最小二乘法回归的分析过程集中了主成分分析、典型相关分析、线性回归分析等多种方法的特点,所以对问题的分析更加深入,提供的信息更加丰富,获得的结果更加合理。