私は{0、1}の結果を予測するために他のいくつかのテクニックと共にPLSを使用しています。 ロジスティック回帰は予想通り予測式を保存します。 LASSOやその他の正則化手法もそうです。 これらの列は常に（0、1）の範囲にあります。 PLSを使用すると、線形予測列（Pred Formula）を保存できます。 JMPは{0、1}データを連続として扱うので、区間（0、1）の外側にある線形予測子（これらをLPと呼びます）が得られます。 つまり、いくつかは負で、いくつかは> 1です。 私の最初の傾向は、他のモデルに対して私がしたこととまったく同じことをし、確率スコアを得るために線形予測子をロジット関数に入れることでした。 PLSに対してこれを行うと、確率スコアは常に0.5前後の小さな領域に絞り込まれます。 LPのダイナミックレンジは[LP_Min、LP_Max]です。 確率は範囲内にあります
[1 /（1 + exp（-LP_Min））、1 /（1 + exp（-LP_Max））。
たとえば、LASSOとPLSの予測結果を比較すると、LASSOは0と1を区別しやすいため、LASSOの方が優れているという結論がすぐに得られます。確率スコアのダイナミックレンジが大きいからです。
それでは最後に質問です。 LPを使い続けて、負の値と> 1の値をそれぞれ0と1に検閲します。 または、LPが同じダイナミックレンジを持つようにスケーリングします。 重要なのはランク統計であることを理解していますが、PLSを他のロジスティック手法と比較しようとすると（特に私は）、PLSがこのように縮小されたダイナミックレンジを持つ理由について混乱するかもしれません。
