Partial least squares (PLS) regress

Partial least squares (PLS) regression is a technique that reduces the predictors to a smaller set of uncorrelated components and performs least squares regression on these components, instead of on the original data. PLS regression is especially useful when your predictors are highly collinear, or when you have more predictors than observations and ordinary least-squares regression either produces coefficients with high standard errors or fails completely. PLS does not assume that the predictors are fixed, unlike multiple regression. This means that the predictors can be measured with error, making PLS more robust to measurement uncertainty.

ผลลัพธ์ (ไทย) 1:

การถดถอยกำลังสองน้อยที่สุดบางส่วน (PLS) เป็นเทคนิคที่ลดตัวทำนายให้เหลือชุดที่เล็กลงขององค์ประกอบที่ไม่สัมพันธ์กัน และดำเนินการถดถอยกำลังสองน้อยที่สุดในส่วนประกอบเหล่านี้ แทนที่จะใช้ข้อมูลต้นฉบับ การถดถอย PLS มีประโยชน์อย่างยิ่งเมื่อตัวทำนายของคุณมีความสอดคล้องกันสูง หรือเมื่อคุณมีตัวทำนายมากกว่าการสังเกต และการถดถอยกำลังสองน้อยที่สุดธรรมดาจะสร้างค่าสัมประสิทธิ์ที่มีข้อผิดพลาดมาตรฐานสูงหรือล้มเหลวทั้งหมด PLS ไม่ได้ถือว่าตัวทำนายได้รับการแก้ไขแล้ว ไม่เหมือนกับการถดถอยพหุคูณ ซึ่งหมายความว่าสามารถวัดตัวทำนายได้โดยมีข้อผิดพลาด ทำให้ PLS มีความแข็งแกร่งในการวัดความไม่แน่นอนมากขึ้น

ผลลัพธ์ (ไทย) 2:

การถดถอยแบบคูณที่น้อยที่สุด (PLS) เป็นเทคนิคที่ทำให้การคาดการณ์ง่ายขึ้นเป็นชุดขององค์ประกอบที่ไม่เกี่ยวข้องที่มีขนาดเล็กลงและการถดถอยแบบคูณที่น้อยที่สุดของส่วนประกอบเหล่านี้แทนที่จะเป็นข้อมูลดิบ การถดถอย PLS มีประโยชน์อย่างยิ่งเมื่อปัจจัยการคาดการณ์อยู่ในระดับเดียวกันสูงหรือเมื่อปัจจัยการคาดการณ์มีมากกว่าค่าสังเกตในขณะที่การถดถอยทวีคูณขั้นต่ำทั่วไปสร้างสัมประสิทธิ์ที่มีข้อผิดพลาดมาตรฐานสูงหรือล้มเหลวอย่างสมบูรณ์ ซึ่งแตกต่างจากการถดถอยพหุภาคี PLS ไม่ได้สันนิษฐานว่าปัจจัยการคาดการณ์ได้รับการแก้ไข ซึ่งหมายความว่าการวัดข้อผิดพลาดในปัจจัยการคาดการณ์สามารถทำได้ทำให้ PLS มีความทนทานต่อความไม่แน่นอนของการวัดมากขึ้น

ผลลัพธ์ (ไทย) 3:

การถดถอยสี่เหลี่ยมผืนผ้าบางส่วน( PLS )เป็นเทคนิคที่ช่วยลดตัวทํานายให้เป็นชุดของส่วนประกอบที่ไม่เกี่ยวข้องและดําเนินการถดถอยสี่เหลี่ยมผืนผ้าน้อยที่สุดสําหรับส่วนประกอบเหล่านี้แทนข้อมูลต้นฉบับ การถดถอยของPLSเป็นประโยชน์อย่างยิ่งเมื่อค่าที่คาดการณ์ไว้ของคุณเป็นcollinearสูงหรือเมื่อค่าที่คาดการณ์ไว้ของคุณมีค่ามากกว่าข้อสังเกตและการถดถอยของสี่เหลี่ยมจัตุรัสอย่างน้อยที่สุดจะทําให้เกิดค่าสัมประสิทธิ์ที่มีข้อผิดพลาดมาตรฐานสูงหรือล้มเหลวอย่างสมบูรณ์ แตกต่างจากการถดถอยพหุคูณPLSไม่สมมติว่าตัวทํานายคงที่ ซึ่งหมายความว่าค่าที่คาดการณ์ไว้สามารถวัดได้ด้วยข้อผิดพลาดทําให้PLSมีความแข็งแรงต่อความไม่แน่นอนของการวัด