具有分類響應的 PLS下週需要為對具有分類（二項式）響應的 PLS 感興趣的客戶進行 JMP Pro 演示。有沒有人有一個好的數據集來演示這個？到目前為止，我發現的所有 PLS 數據集都涉及數字響應。
謝謝，
標記
回复：具有分類響應的 PLS更新到這個線程。在建模分類響應時，我注意到 PLS 存在問題，其中保存到數據表的預測公式沒有響應概率列屬性。因此，無法在模型比較中將 PLS 模型與其他分類模型進行比較。這可能有一個特定的原因，但我還不知道它可能是什麼。我將根據我從技術支持那裡了解到的有關此問題的信息更新此線程。
回复：具有分類響應的 PLS很公平 ：）回复：具有分類響應的 PLSROC 曲線實際上包含您可以在錯誤分類率上看到的兩種錯誤類型，只是表達方式不同。 ROC 曲線的形狀允許您確定哪種錯誤類型（如果有的話）是“更好”的錯誤。
錯誤分類的問題是錯誤分類不是很敏感。 換句話說，它沒有考慮事件的概率。 考慮兩個模型：模型 1 和模型 2。 對於給定條件，模型 1 預測事件發生的概率為 95%，而模型 2 預測為 55%。 在這種情況下，兩個模型都會以相同的方式對該觀察進行分類，但一個模型比另一個模型更“確定”結果。 AICc 和 BIC 等信息標準是更敏感的模型指標。
我並不是說我不會使用錯誤分類，但是具有相同錯誤分類率的兩個模型不一定相等。
回复：具有分類響應的 PLS只是另一種觀點：我知道 ROC 曲線是比較模型的好方法。 然而，對於二項式響應，我更喜歡查看錯誤分類率，尤其是錯誤分佈到錯誤 1 和錯誤 2 的均勻程度。 為什麼？我相信，一個模型可以完美地預測一個水平而另一個幾乎是因為或多或少的罕見事件，它可能看起來仍然比單獨看 ROC 曲線的另一個模型更好，我相信（@statisticians，如果我錯了，請糾正我，我只是一個數學家
）。
也就是說，您會得到一個模型，該模型只是說所有預測都產生一個級別，並且只得到一些錯誤 1 預測。 可能有一個模型可以在絕對意義上預測更多錯誤，但他們預測兩個級別都不錯。 這個模型可能不如 ROC 曲線中的其他模型或者純誤分類率那麼好，但我仍然會選擇它，因為它可能更接近現實。
回复：具有分類響應的 PLS@Dan_Obermiller
我同意您的觀點，但問題是如果他們必須編寫自定義腳本來執行此操作，那麼除了 Python 之外，它並沒有提供採用 JMP Pro 的令人信服的理由。
我目前正在將判別平台視為一個潛在的選擇，它具有客戶習慣看到的 ROC 診斷，但試圖了解它與 Fit Model 中的 PLS 平台之間的優缺點。 增加額外的複雜性，客戶還希望包括判別式不支持但 PLS-DA 支持的交叉術語。 錢幣...
回复：具有分類響應的 PLS當然你可以用 Python 來做，因為它是一種編程語言。 出於同樣的原因，您可以通過腳本在 JMP 中執行此操作。 好吧，既然我已經擺脫了我的“惡作劇”......
我希望您可以保存 PLS-DA 中的預測公式，並通過模型比較平台獲得 ROC 曲線。 不幸的是，PLS-DA 預測公式的格式似乎不適用於模型比較平台。 看起來 ROC 曲線需要通過腳本來構建。
回复：具有分類響應的 PLS謝謝大家，很有幫助！ 客戶（NeuroVision）也詢問是否可以從 PLS 獲得 ROC 診斷曲線？ 似乎這不是一個選項，但是否有一種方法可以做到這一點，以及為什麼它不是 PLS w/分類響應的選項的原因是什麼？顯然他們正在使用 Python 來獲得這種類型的結果，並希望 JMP Pro 做類似的事情。
回复：具有分類響應的 PLS實際上，對不起，我剛剛意識到數據集不是二項式的，有多個類別。回复：具有分類響應的 PLS示例庫中的任何示例判別分析數據集也可以使用。
“貓頭鷹飲食”數據集易於理解並通過 PLS-DA 的概念進行工作。
回复：具有分類響應的 PLS我希望我參與編寫 PSL 書，但它純粹是 Marie Gaudard 和 Ian Cox 的產物。回复：具有分類響應的 PLS想知道是否有人可以幫助我解釋 PLS 與 Gen Reg 的應用程序（通過驗證）？為什麼要使用 PLS 而不是 Gen Reg？或相反亦然？
回复：具有分類響應的 PLS請記得提及 Mia 和 Ian 撰寫的關於使用 JMP 進行 PLS 的優秀書籍！
回复：具有分類響應的 PLS嗨，馬克，
只需添加一個我從科學/工程行業情況中使用的示例。
這是來自法醫分析化學實驗室。 公司的品牌產品銷往世界各地。 有時仿冒產品作為他們的產品出售。 當他們有客戶投訴時，他們需要快速確定這是他們的產品還是仿製品。 傳統上，這是通過在幾天內使用許多不同的化學測試來測試樣品來完成的。 這會花費大量的實驗室時間，並且意味著客戶問題需要很長時間才能解決。
解決方案是對生成大量數據的快速化學分析使用數據分析。
在附件中，RT 柱代表色譜圖中不同保留時間的峰面積。 每個峰是不同的化學實體。 面積與樣本中該實體的數量成正比。
我展示了不同的視覺和建模技術如何讓您了解 3 個來源之間的差異，以及您如何確定未知來源的來源。 PLS 將是其中一種選擇。
希望有幫助。
菲爾
回复：具有分類響應的 PLS隨附的 zip 文件是比較 PCA 和 PLS 的期刊。 其中有一個具有分類響應的 Amour Tiger 數據集。
涉及一些描述和一些其他示例。 我想這應該有助於你正在尋找什麼。 您必須檢查 JMP 15 中是否所有工作，因為我沒有檢查它。因為一段時間以來
