PLS回归是一个回归方法,考虑到在两个数据集中的潜结构。偏最小二乘回归在两个single-label和multi-label学习的原因基于MRI的评估表现良好。 PLSRegression从PLS获取与模式=” A”和deflation_mode =”回归”。另外,在一维响应的情况下,已知的PLS2或PLS。
用法:class sklearn.cross_decomposition.PLSRegression(n_components=2, *, scale=True, max_iter=500, tol=1e-06, copy=True)
参数:
该函数接受被上述和下面定义的五个参数:
n_components::其默认值为2,它接受需要保留的组件数。
规模::其缺省值为True,并且它接受是否缩放数据或没有。
max_iteran:的:它的默认值是500,并且它接受NIPALS内部循环迭代的最大数量。
收费::其默认值为1e-06,它接受迭代算法中使用的容差。
复制::其默认值为True,它表明应该对副本进行偏转。当默认值设置为true不要在意副作用。
返回值:PLSRegression是预测响应的方法。
在下面的实施例说明了如何使用PLSRegression()模型。
例:
Python3
import numpy as np
import pandas as pd
from sklearn import datasets
import