부분 최소 자승 일반 선형 회귀PLS-GLM이라고 불리는 것에 PLS 모델을 확장 할 계획이 있습니까? 이 모델에서 응답은 범주 적 일 수 있습니다. 이 모델은 PLS와 정규화 방법의 하이브리드로, 응답을 바이너리 그대로 유지할 수 있습니다. 즉, 응답은 0/1로 다시 코딩되지 않으며 PLS가 숫자 인 것처럼 적용됩니다. PLS-GLM은 최대 공분산이 아닌 목적 함수로서 최대 우도를가집니다. 현재 저는 문학을 읽으므로 조금 더 제공 할 수 있습니다.
제목 : Re : Partial Least Squares 일반 선형 회귀나는 당신이 PLS-DA (PLS - Discriminant Analysis)라고 불리는 것을보고 있다고 생각합니다. 모델에 맞추기 (Use Fit Model)를 사용하여 명목상의 목표를 Y와 예측 자로 모델에 넣습니다. Standard Least Squares 드롭 다운에서 Partial Least Squares를 선택합니다.
제목 : Re : Partial Least Squares 일반 선형 회귀감사합니다 댄,
이것은 바로 지금 제가하는 일입니다. 그러나 나는 JMP가 바이너리 응답을 0/1로 코드화하고 일반 PLS를 수행하고 응답을 숫자로 처리한다고 들었다. PLS 일반 선형 회귀 분석에서 Bustien, Vinzi, Tenenhaus (전산 통계 및 데이터 분석 2005)에서는 바이너리 응답으로 PLS를 수행하고 링크 기능을 사용하는 방법에 대해 설명합니다. Cov (X * beta, Y)를 최대화하는 대신 X * beta를 주어진 Y의 가능성을 극대화합니다. 이 PLS-GLR을 수행하는 다른 여러 논문이 있습니다. 따라서 그들은 응답이 숫자가 아니라는 사실을 명시 적으로 사용합니다 (Poisson 또는 내가 가정 한 지수 가정의 어떤 것일 수도 있음). 최종 결과는 여전히 X 스팬에 대한 Othhogonal 기반이지만 X * 베타가 포함 된 Iner 제품 공간에 응답 벡터가 존재하지 않으면 파생됩니다.
필자는 PLS-GLM이 PLS-DA보다 더 나은 결과를 제공하는지 여부에 대한 질문에 이릅니다. 나는 답을 모른다. 그러나 PLS-DA를 나의 모델링 기술로 방어하는 것은 내가 응답의 본래 분배를 무시하고 있다는 것을 알 때 더욱 어렵다. 이는 OLS를 사용하여 바이너리 응답 데이터를 피팅하는 것과 비슷합니다. 잘못된 것으로 알고 있습니다.
제목 : Re : Partial Least Squares 일반 선형 회귀좋아, 그래서 여기에 내가이 문제에 착륙했다. Paper "PLS Generalized Linear Regression", Bastien, Vinzi 및 Tenenhaus, 전산 통계 및 데이터 분석 48 (2005)에서 PLS-GLM 알고리즘을 코딩했습니다. 이 논문에서는 직교 PLC 구성 요소 집합을 풀 수있는 최대 가능성을 사용하는 알고리즘을 제시합니다. 필자는 JMP Pro의 PLS-DA와 PLS-GLM의 결과를 비교했습니다. 수학은 동일하지 않기 때문에 정확하지는 않습니다. 놀랄 일도 아닙니다. 그러나 그들이 생산하는 모델은 매우 가깝습니다. 너무 가까워서 응답을 연속으로 코딩하는 것이 좋습니다. 적어도 순수 론적 접근 방식을 사용하여 응답이 고유 한 분포를 유지할 수 있다고 말할 수 있으며 두 방법 간의 차이점은 거의 눈에 띄지 않았습니다.
PLS-GLM을 분석 스위트에 추가하는 것은 여전히 멋진 방법입니다.
