我正在使用PLS以及其他幾種技術來預測{0,1}結果。 Logistic回歸將按預期保存預測公式。 LASSO和其他正規化技術也是如此。 這些列始終在（0,1）範圍內。 當我使用PLS時，我可以保存線性預測器列（Pred Formula）。 因為JMP將{0,1}數據視為連續的，所以我們得到位於區間（0,1）之外的線性預測變量（稱為LP）。 也就是說，有些是負面的，有些是> 1。 我的第一個傾向是完全按照我對其他模型所做的操作，並將線性預測器放入logit函數以得出概率分數。 如果我們為PLS做這個，我們總是將概率分數擠到0.5左右的小區域。 假設LP的動態範圍的動態範圍是[LP_Min，LP_Max]。 概率將在該範圍內
[1 /（1 + exp（-LP_Min）），1 /（1 + exp（-LP_Max））。
當比較來自LASSO和PLS的預測結果時，我們的客戶立即得出LASSO更好的結論，因為它似乎更好地區分0和1，因為概率得分具有更大的動態範圍。
最後這個問題。 我們應該堅持使用LP，也可以將負值和> 1值分別檢驗為0和1。 或者我們應該sca; e LP，以便它們具有相同的動態範圍。 我很欣賞重要的是排名統計，但值得一提的是，當你試圖將PLS與其他邏輯方法進行比較時，我（特別是我）可能會先混淆為什麼PLS有這麼縮小的動態範圍。
