我正在使用PLS以及其他几种技术来预测{0,1}结果。 Logistic回归将按预期保存预测公式。 LASSO和其他正规化技术也是如此。 这些列始终在（0,1）范围内。 当我使用PLS时，我可以保存线性预测器列（Pred Formula）。 因为JMP将{0,1}数据视为连续的，所以我们得到位于区间（0,1）之外的线性预测变量（称为LP）。 也就是说，有些是负面的，有些是> 1。 我的第一个倾向是完全按照我对其他模型所做的操作，并将线性预测器放入logit函数以得出概率分数。 如果我们为PLS做这个，我们总是将概率分数挤到0.5左右的小区域。 假设LP的动态范围的动态范围是[LP_Min，LP_Max]。 概率将在该范围内
[1 /（1 + exp（-LP_Min）），1 /（1 + exp（-LP_Max））。
当比较来自LASSO和PLS的预测结果时，我们的客户立即得出LASSO更好的结论，因为它似乎更好地区分0和1，因为概率得分具有更大的动态范围。
最后这个问题。 我们应该坚持使用LP，也可以将负值和> 1值分别检验为0和1。 或者我们应该sca; e LP，以便它们具有相同的动态范围。 我很欣赏重要的是排名统计，但值得一提的是，当你试图将PLS与其他逻辑方法进行比较时，我（特别是我）可能会先混淆为什么PLS有这么缩小的动态范围。
