Question

使用sklearn的PLS回归给出非常差的预测结果。当我得到模型时，我找不到找到＆＃34;拦截＆＃34;的方法。也许这会影响模型的预测？分数和负荷的矩阵很好。系数的排列也是。在任何情况下，如何使用已经获得的属性获得拦截？

此代码抛出变量的系数。

from pandas import DataFrame
from sklearn.cross_decomposition import PLSRegression

X = DataFrame( {
        'x1': [0.0,1.0,2.0,2.0],
        'x2': [0.0,0.0,2.0,5.0],
        'x3': [1.0,0.0,2.0,4.0],
    }, columns = ['x1', 'x2', 'x3'] )
Y = DataFrame({
        'y': [ -0.2, 1.1, 5.9, 12.3 ],
    }, columns = ['y'] )

def regPLS1(X,Y):
    _COMPS_ = len(X.columns) # all latent variables
    model = PLSRegression(_COMPS_).fit( X, Y )
    return model.coef_

结果是：

regPLS1(X,Y)
>>> array([[ 0.84], [ 2.44], [-0.46]])

除了这些系数之外，截距的值是：0.26。我做错了什么？

修改的正确的预测（评估）响应是Y_hat（与观察到的Y完全相同）：

Y_hat = [-0.2  1.1  5.9 12.3]

Answer 1

要计算截距，请使用以下内容：

plsModel = PLSRegression(_COMPS_).fit( X, Y )

y_intercept = plsModel.y_mean_ - numpy.dot(plsModel.x_mean_ , plsModel.coef_)

我直接从R＆＃34; pls＆＃34;得到了公式。包裹：

 BInt[1,,i] <- object$Ymeans - object$Xmeans %*% B[,,i]

我测试了结果并计算了R＆＃39;中的相同截距。和scikit-learn。

Answer 2

根据我对_PLS执行情况的解读，公式为Y = XB + Err，其中model.coef_是B的估算值。如果您查看predict方法，它看起来使用拟合参数y_mean_作为Err，所以我相信您想要的。使用model.y_mean_代替model.coef_。希望这有帮助！

如何获得PLS-Regression（sklearn）的截距

2 个答案: