回复：基于 PCA 的主成分回归 (PCR) 和偏最小二乘回归这书可能会有所帮助。
基于 PCA 的主成分回归 (PCR) 和偏最小二乘回归亲爱的同事们，
我遇到过处理PCR（主成分回归）和偏最小二乘回归（PLSR）的情况。 不幸的是，我没有在教程中找到有关 PCR 和基于 PCA 的 PLSR 的信息。
我觉得必须有一种手动简单的方法来使用 JMP Pro 中 PCA 选项后获得的结果来安排预测建模。
我非常感谢如何使用 PCR 和 PLSR 中的预测建模操作 PCA 数据的建议。
非常感谢！
迈克尔
分析其他回复：基于 PCA 的主成分回归 (PCR) 和偏最小二乘回归补充@马克贝利的建议，您可能想观看我在担任 JMP 高级系统工程师期间介绍的这个点播网络研讨会。 它有点过时了...我想我使用的是 JMP Pro v14...所以如果您使用的是 JMP Pro v16 版本，那么 JMP Pro v16 中可能会有一些很酷的新功能？ 但希望观看网络研讨会至少能让您入门？ 我不包括主成分回归。
偏最小二乘......当普通最小二乘回归不起作用时使用什么
回复：基于 PCA 的主成分回归 (PCR) 和偏最小二乘回归原来如此，谢谢！
在发布这个主题之前，已经学习了相应的教程，并且如上所述，没有找到有关使用 PCA 的 PCR 和 PLSR 的特定信息。
请纠正我，如果我错了：如果某些主成分 (PC) 被探索并保存为列，它们可以用作通过标准“拟合模型”选项构建线性回归的变量，对吗？ 或者在安排PCR/PLSR时有一些特定的操作？
谢谢！
回复：基于 PCA 的主成分回归 (PCR) 和偏最小二乘回归是的，这是基本思想。 您正在用一小组正交分量替换较大的一组共线测量。 基于特征值的大小和特征向量中的相关性来选择分量。 回归分析将确定哪些组件（如果有）与响应相关。 这样，如果为回归模型选择了任何组件，则使用所有原始测量值。
您必须仔细研究PCA。 组件可能无法解释，在这种情况下，您可能会得到“良好”的回归，但可能难以解释。 您正在用维度和共线性问题交换可解释性问题。 你不能“吃蛋糕，也吃蛋糕”。
