python偏最小二乘法回归分析_【数学建模】偏最小二乘回归分析（PLSR）

PLSR的基本原理与推导，我在这篇博客中有讲过。

0.

偏最小二乘回归集成了多元线性回归、主成分分析和典型相关分析的优点，在建模中是一个更好的选择，并且MATLAB提供了完整的实现，应用时主要的问题是：

注意检验，各种检验参数：有关回归的检验以及有关多元分析的检验

系数众多，容易混淆

要清楚原理才能写好论文

注意matlab函数plsregress的众多返回值

例如累计贡献度，建模时最好列出表格

1.

问题：

自变量组 X = [x1,x2…xn]  (n组自变量)

因变量组 Y = [y1,y2,…yp]   (p组因变量)

考虑到X、Y内部之间的多重相关性，可以使用PLSR建立Y对X的多元回归模型。这是一种多对多回归的模型。

偏最小二乘回归的实现步骤：

X、Y标准化。若考虑标准化的不对等特性，考虑实现对应分析。

求相关系数矩阵。可以把X、Y统一放到一个增广矩阵中，实现求列向量之间的相关系数矩阵(corrcoef实现无需标准化，直接使用原始数据)

求主成分对。(求出自变量与因变量的成分，类似于典型相关分析)这里对数其实是min(n-1,p)。求出、… 实际上，u、v是原始变量标准化后的线性组合、即投影。

计算贡献率表格。计算前k个主成分u对原始变量X的贡献率、v对Y的贡献率(函数直接返回结果)。

根据贡献率表格，选取k个主成分对。一般累计贡献率达到90%合适。

求出原始变量X对这k个主成分u的回归方程以及Y对u的(不是v！)回归方程。

根据6的结果，可以求出因变量组Y与自变量组X的回归方程，但这其实是标准化了的(常数项一定是0)，进一步可以还原为真实原始变量的回归方程，这也是我们所要求得的。

模型的解释与检验。

首先得进行一个回归检验：判定系数R方的检验(接近于1)。计算每一个回归方程的R方，可以列出表格。

之后进行交叉有效性检验：交叉系数Qh方 = 1 – (PRESS(h) / SS(h-1))。这是从主成分分析的角度的检验，即检验提取的k个主成分。(这个检验比较复杂，详细看推导)

2.