나는 {0, 1} 결과를 예측하기위한 몇 가지 다른 기술과 함께 PLS를 사용하고 있습니다. 로지스틱 회귀는 예측 공식을 예상대로 저장합니다. LASSO와 다른 정규화 기술도 그렇게 될 것입니다. 이 열은 항상 (0, 1) 범위입니다. PLS를 사용할 때 선형 예측 자 열 (Pred Formula)을 저장할 수 있습니다. JMP는 {0, 1} 데이터를 연속적으로 취급하기 때문에 간격 (0, 1) 밖에있는 선형 예측기 (LP라고 부름)를 얻습니다. 즉, 일부는 음수이고 일부는> 1입니다. 내 첫 번째 성향은 다른 모델에 대해 수행 한 작업을 정확하게 수행하고 선형 예측기를 logit 함수에 넣어 확률 스코어에 도달하는 것이 었습니다. 우리가 PLS를 위해 이렇게한다면 우리는 언제나 확률 점수가 .5 주변의 작은 지역으로 압착 될 것입니다. 동적 범위가 LP의 동적 범위가 [LP_Min, LP_Max]라고 가정합니다. 확률은 범위 안에 놓이게됩니다.
[1 / (1 + exp (-LP_Min)), 1 / (1 + exp (-LP_Max))이다.
LASSO와 PLS의 예측 결과를 비교할 때 고객은 LASSO가 더 낫다는 결론을 즉시 내립니다. 왜냐하면 확률 점수가 더 큰 동적 범위를 갖기 때문에 0과 1을 더 잘 구별하는 것처럼 보이기 때문입니다.
그래서 마침내 질문. 우리는 LP의 막대기를 사용해야하고 음수와> 1 값을 각각 0과 1로 검열해야합니다. 아니면 LP가 동일한 동적 범위를 갖도록해야합니까? 중요한 것은 중요한 통계라고 생각합니다. 그러나 PLS와 다른 물류 방법을 비교하려고 할 때 처음에는 왜 PLS가 왜 그런 급격한 동적 범위를 가지는지 혼란스러워 할 수 있습니다.
