sklearn.cross_decomposition.PLSRegression?

class sklearn.cross_decomposition.PLSRegression(n_components=2, *, scale=True, max_iter=500, tol=1e-06, copy=True)[source]

[源碼]

PLS回歸

PLSRegression實現一維響應時稱為PLS2或PLS1的PLS 2塊回歸。此類繼承_PLS，其mode=”A”，deflation_mode =“regression”，norm_y_weights = False且algorithm=“ nipals”。

在用戶指南中閱讀更多內容。

0.8版的新功能。

參數	說明
n_components	int, (default 2) 要保留的組件數。
scale	boolean, (default True) 是否收縮數據
max_iter	an integer, (default 500) NIPALS內循環的最大迭代次數（僅當algorithm =“ nipals”時使用）
tol	non-negative real 迭代算法中使用的公差默認為1e-06。
copy	boolean, default True 是否應在副本上進行收縮。除非您不擔心副作用，否則將默認值設為True

屬性	說明
x_weights_	array, [p, n_components] X塊的權重向量。
y_weights_	array, [q, n_components] Y塊的權重向量。
x_loadings_	array, [p, n_components] X塊的加載向量。
y_loadings_	array, [q, n_components] Y塊的加載向量。
x_scores_	array, [n_samples, n_components] X得分。
y_scores_	array, [n_samples, n_components] Y得分。
x_rotations_	array, [p, n_components] X塊的潛在旋轉。
y_rotations_	array, [q, n_components] Y塊的潛在旋轉。
coef_	array, [p, q] 線性模型的系數：Y = X coef_ + Err
n_iter_	array-like 每個組件的NIPALS內部循環的迭代次數。

注

矩陣：

T: x_scores_
U: y_scores_
W: x_weights_
C: y_weights_
P: x_loadings_
Q: y_loadings_

計算如下：

X = T P.T + Err and Y = U Q.T + Err
T[:, k] = Xk W[:, k] for k in range(n_components)
U[:, k] = Yk C[:, k] for k in range(n_components)
x_rotations_ = W (P.T W)^(-1)
y_rotations_ = C (Q.T C)^(-1)

其中Xk和Yk是迭代k的殘差矩陣。

解說PLS的幻燈片

對于每個分量k，找到優化的權重u，v：

max corr（Xk u，Yk v）* std（Xk u）std（Yk u），使得| u | = 1

注意，它使得分和塊內方差之間的相關性最大化。

X（Xk + 1）塊的殘差矩陣是通過對當前X分數x_score的收縮獲得的。

Y（Yk + 1）塊的殘差矩陣是通過對當前X分數進行收縮獲得的。這將執行稱為PLS2的PLS回歸。該模式是面向預測的。

此實現與R語言提供的3個PLS包（R項目）提供的結果相同：

    帶函數pls（X，Y，mode =“regression”）的“mixOmics”

    帶函數plsreg2（X，Y）的“plspm”

    帶函數oscorespls.fit（X，Y）的“pls”

參考資料

Jacob A. Wegelin. A survey of Partial Least Squares (PLS) methods, with emphasis on the two-block case. Technical Report 371, Department of Statistics, University of Washington, Seattle, 2000.

法語版但仍然可以參考: Tenenhaus, M. (1998). La regression PLS: theorie et pratique. Paris: Editions Technic.

示例

>>> from sklearn.cross_decomposition import PLSRegression
>>> X = [[0., 0., 1.], [1.,0.,0.], [2.,2.,2.], [2.,5.,4.]]
>>> Y = [[0.1, -0.2], [0.9, 1.1], [6.2, 5.9], [11.9, 12.3]]
>>> pls2 = PLSRegression(n_components=2)
>>> pls2.fit(X, Y)
PLSRegression()
>>> Y_pred = pls2.predict(X)

方法	說明
`fit`(self, X, Y)	訓練數據模型
`fit_transform`(self, X[, y])	在訓練集上學習并應用降維
`get_params`(self[, deep])	獲取此估計量的參數。
`inverse_transform`(self, X)	將數據轉換回其原始空間。
`predict`(self, X[, copy])	應用在訓練集上學到的降維。
`score`(self, X, y[, sample_weight])	返回預測的確定系數R^2。
`set_params`(self, **params)	設置此估算器的參數。
`transform`(self, X[, Y, copy])	應用在訓練集上學到的降維。

__init__(self, n_components=2, *, scale=True, max_iter=500, tol=1e-06, copy=True)

[源碼]

初始化self。有關準確的簽名，請參見help（type（self））。

fit(self, X, Y)

[源碼]

訓練數據。

參數	說明
X	array-like of shape (n_samples, n_features) 訓練向量，其中n_samples是樣本數，n_features是預測變量數。
Y	array-like of shape (n_samples, n_targets) 目標向量，其中n_samples是樣本數，n_targets是響應變量數。

fit_transform(self, X, y=None)

[源碼]

在訓練集上學習并應用降維。

參數	說明
X	array-like of shape (n_samples, n_features) 訓練向量，其中n_samples是樣本數，n_features是預測變量數。
y	array-like of shape (n_samples, n_targets) 目標向量，其中n_samples是樣本數，n_targets是響應變量數。

返回值	說明
如果未指定Y，則為x_scores，否則為（x_scores，y_scores）。	-

get_params(self, deep=True)

[源碼]

獲取此估計量的參數。

參數	說明
deep	bool, default=True 如果為True，則將返回此估算器和作為估算器的所包含子對象的參數。

返回值	說明
params	mapping of string to any 參數名稱映射到其值。

inverse_transform(self, X)

[源碼]

將數據轉換回其原始空間。

參數	說明
X	array-like of shape (n_samples, n_components) 新數據，其中n_samples是樣本數，n_components是pls分量數。

返回值	說明
x_reconstructed	array-like of shape (n_samples, n_features)

注

僅當n_components = n_features時，此轉換才是精確的

predict(self, X, copy=True)

[源碼]

參數	說明
X	array-like of shape (n_samples, n_features) 訓練向量，其中n_samples是樣本數，n_features是預測變量數。
copy	boolean, default True 是復制X和Y，還是執行就地歸一化。

注

該調用需要估計p x q矩陣，這在高維空間中可能是個問題。

score(self, X, y, sample_weight=None)

[源碼]

返回預測的確定系數R^2。

系數R^2定義為（1- u / v），其中u是平方的殘差和（（y_true-y_pred）** 2）.sum（），而v是平方的總和（（y_true- y_true.mean（））** 2）.sum（）。可能的最高得分為1.0，并且可能為負（因為該模型可能會更差）。不管輸入特征如何，常數模型始終預測y的期望值將獲得0.0的R^2分數。

參數	說明
X	array-like of shape (n_samples, n_features) 測試樣本。對于某些估計量，可以是預先計算的內核矩陣或通用對象列表，shape =（n_samples，n_samples_fitted），其中n_samples_fitted是用于估計量擬合的樣本數。
y	array-like of shape (n_samples,) or (n_samples, n_outputs) X的真實值。
sample_weight	array-like of shape (n_samples,), default=None 樣本權重。

返回值	說明
score	float self.predict（X）對于y的R^2

注

使用版本0.23的multioutput ='uniform_average'在回歸器上調用score時，使用的R2分數，來保持與r2_score的默認值一致。這會影響所有多輸出回歸器的score方法（MultiOutputRegressor除外）。

set_params(self, **params)

[源碼]

設置此估算器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者的參數格式為<component> __ <parameter>，以便可以更新嵌套對象的每個組件。

參數	說明
**params	dict 估算器參數。

返回值	說明
self	object 估算器實例。

transform(self, X, Y=None, copy=True)

[源碼]

應用在訓練集上學到的降維。

參數	說明
X	array-like of shape (n_samples, n_features) 訓練向量，其中n_samples是樣本數，n_features是預測變量數。
Y	array-like of shape (n_samples, n_targets) 目標向量，其中n_samples是樣本數，n_targets是響應變量數。
copy	boolean, default True 是復制X和Y，還是直接執行規范化.

返回值
如果未指定Y，則為x_scores，否則為（x_scores，y_scores）。

sklearn.cross_decomposition.PLSRegression使用示例?

交叉分解法比較 ?