回复：基於 PCA 的主成分回歸 (PCR) 和偏最小二乘回歸這書可能會有所幫助。
基於 PCA 的主成分回歸 (PCR) 和偏最小二乘回歸親愛的同事們，
我遇到過處理PCR（主成分回歸）和偏最小二乘回歸（PLSR）的情況。 不幸的是，我沒有在教程中找到有關 PCR 和基於 PCA 的 PLSR 的信息。
我覺得必須有一種手動簡單的方法來使用 JMP Pro 中 PCA 選項後獲得的結果來安排預測建模。
我非常感謝如何使用 PCR 和 PLSR 中的預測建模操作 PCA 數據的建議。
非常感謝！
邁克爾
分析其他回复：基於 PCA 的主成分回歸 (PCR) 和偏最小二乘回歸補充@馬克貝利的建議，您可能想觀看我在擔任 JMP 高級系統工程師期間介紹的這個點播網絡研討會。 它有點過時了...我想我使用的是 JMP Pro v14...所以如果您使用的是 JMP Pro v16 版本，那麼 JMP Pro v16 中可能會有一些很酷的新功能？ 但希望觀看網絡研討會至少能讓你入門？ 我不包括主成分回歸。
偏最小二乘......當普通最小二乘回歸不起作用時使用什麼
回复：基於 PCA 的主成分回歸 (PCR) 和偏最小二乘回歸原來如此，謝謝！
在發布這個主題之前，已經學習了相應的教程，並且如上所述，沒有找到有關使用 PCA 的 PCR 和 PLSR 的特定信息。
請糾正我，如果我錯了：如果某些主成分 (PC) 被探索並保存為列，它們可以用作通過標準“擬合模型”選項構建線性回歸的變量，對嗎？ 或者在安排PCR/PLSR時有一些特定的操作？
謝謝！
回复：基於 PCA 的主成分回歸 (PCR) 和偏最小二乘回歸是的，這是基本思想。 您正在用一小組正交分量替換較大的一組共線測量。 基於特徵值的大小和特徵向量中的相關性來選擇分量。 回歸分析將確定哪些組件（如果有）與響應相關。 這樣，如果為回歸模型選擇了任何組件，則使用所有原始測量值。
您必須仔細研究PCA。 組件可能無法解釋，在這種情況下，您可能會得到“良好”的回歸，但可能難以解釋。 您正在用維度和共線性問題交換可解釋性問題。 你不能“吃蛋糕，也吃蛋糕”。
回复：基於 PCA 的主成分回歸 (PCR) 和偏最小二乘回歸那太棒了！ 我的擔憂主要在於 JMP Pro 中 PCR 性能的技術問題。 我完全同意這是一個關於擬合回歸和所涉及主成分的解釋性特徵的微妙問題。
非常感謝！
