R語言中的偏最小二乘PLS迴歸算法

原文http://tecdat.cn/?p=4124

偏最小二乘迴歸：

我將圍繞結構方程建模（SEM）技術進行一些諮詢，以解決獨特的業務問題。咱們試圖識別客戶對各類產品的偏好，傳統的迴歸是不夠的，由於數據集的高度份量以及變量的多重共線性。PLS是處理這些有問題的數據集的強大而有效的方法。

主成分迴歸是咱們將要探索的一種選擇，但在進行背景研究時，我發現PLS多是更好的選擇。咱們將看看PLS迴歸和PLS路徑分析。我不相信傳統的掃描電鏡在這一點上是有價值的，由於咱們沒有良好的感受或理論來對潛在的結構作出假設。此外，因爲數據集中的變量數量衆多，咱們正在將SEM技術擴展到極限。Haenlein，M＆Kaplan，A.，2004年，「初步指南偏最小二乘分析」，Understanding Statistics，3（4），283-297中能夠找到關於這個限制的有趣討論。

[1]「diesel」「turbo」「two.doors」「hatchback」「wheel.base」

[6]「length」「width」「height」「curb.weight」「eng.size」

[ 11]「馬力」「峯值.rpm」「價格」「符號」「city.mpg」

[16]「 highway.mpg 」

這些數據有16個變量和30個觀測值。它包含在plsdepot包中。

關於PLS迴歸的一個有趣的事情是你能夠有多個響應變量，plsdepot能夠適應這種類型的分析。在這種狀況下，我只想分析一個Y變量，那就是價格。

該包的一個怪癖是你須要將預測變量和響應分開，即將響應變量列放在數據幀的末尾。要作到這一點，我只是運行這個優雅的代碼，我找到了某處...

＃把變量價格（第13列）放在最後

pls1 $ x.scores X分數（T份量）

$ x.loads X-loadings

$ y.scores Y-scores（U-components）

$ y.loads Y-loadings

$ cor.xyt得分相關性

$ raw.wgs原始權重

$ mod.wgs修改權重

$ std.coefs標準係數

$ reg.coefs常規係數

$ R2 R平方

$ R2Xy解釋Xy的方差T

$ y.pred y-預測

$ resid 殘差

$ T2 T2經濟系數

Q2第二季度交叉驗證這個包中有不少，我強烈建議閱讀優秀的教程來了解更多信息。

>＃相關圖; 注意什麼與價格高度相關

​

plot每一個觀測預測與實際

​

咱們將不得不繼續查看不一樣數量的組件以肯定最佳模型，並從實際角度查看潛在變量是否有意義。