偏最小二乘（PLS）的基本概念
PLS 提供了一种多对多线性回归建模的方法。特别当变量的个数很多，且都存在多重相关性，而观测数据的数量又较少时。用偏最小二乘建立的模型具有
传统的经典回归分析等方法所没有的优点。PLS 方法中用的是潜变量，其数学基
础为主成分分析，因此也有人说，偏最小二乘回归 ≈ 多元线性回归分析＋典型
相关分析＋主成分分析。
PLS 的目的是揭示变量空间里寻找某些线形组合，以能更好地解释自变量的
变异信息。该方法同时从因变量与自变量中提取两组主成分，它们分别是因变
量与自变量的线性组合，满足以下两个条件：一、两组潜变量分别最大限度地
承载自变量和因变量的变异信息；二、对应的自潜变量与因潜变量之间协方差
最大化．
与传统多元线性回归模型相比，PLS 的特点是：一、能够在自变量存在严重
多重相关性的条件下进行回归建模；二、允许在样本点个数少于变量个数的条
件下进行回归建模；三、PLS 在最终模型中将包含原有的所有自变量；四、偏
PLS 模型更易于辨识系统信息与噪声（甚至一些非随机性的噪声）；五、PLS 模
型中，每一个自变量的回归系数将更容易解释。
与其他建模方法相比，如神经网络等，PLS 具有简单稳定、计算量小等优
点．模型参数估计时，无论是采用迭代法，还是SVD 法，一般只需几步就可得
到参数估计．预测未知样本时，计算量很小，精度也较高．然而，PLS 一般用于
建立预测回归方程，对于未知参数分布特性的确定无能为力，它所给出自变量
和因变量之间结构关系过于抽象。
PLS 与PCA 很相似，其差别在于描述变量Y 中因子的同时也用于描述变量
X，为了实现这一点，在数学上是以矩阵Y 的列去参与矩阵X 因子的计算，数
学模型为：
X = TP'+E
以及
Y =UQ'+F
其中T 和U 的矩阵元——X 和Y 的得分，P 和Q 的矩阵元——X 和Y 的载
荷；E 和F——运用偏最小二乘模型法去拟合X 和Y 所引起的误差。
在理想的情况下，X 中误差的来源和Y 中的误差来源完全相同，即影响X
与Y 的因素相同。但实际上， X 中的误差与Y 中的误差t 和u 并不相关，因此
当两个矩阵同时用于确定因子时，X 和Y 具有如下关系：
u = bt + e
式中b 所表征的就是u 和t 的内在关系。 谢谢楼主，新手正好要学习PLS~:@D
页:
[1]