Python sklearn.cross_decomposition.PLSRegression()用法及代码示例

PLS回归是一个回归方法，考虑到在两个数据集中的潜结构。偏最小二乘回归在两个single-label和multi-label学习的原因基于MRI的评估表现良好。 PLSRegression从PLS获取与模式=” A”和deflation_mode =”回归”。另外，在一维响应的情况下，已知的PLS2或PLS。

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

参数：

该函数接受被上述和下面定义的五个参数：

n_components：<int>：其默认值为2，它接受需要保留的组件数。
规模：<布尔>：其缺省值为True，并且它接受是否缩放数据或没有。
max_iteran：<int>的：它的默认值是500，并且它接受NIPALS内部循环迭代的最大数量。
收费：<非负实数>：其默认值为1e-06，它接受迭代算法中使用的容差。
复制：<bool>：其默认值为True，它表明应该对副本进行偏转。当默认值设置为true不要在意副作用。

返回值：PLSRegression是预测响应的方法。

在下面的实施例说明了如何使用PLSRegression()模型。

例：

Python3

import numpy as np 
import pandas as pd 
from sklearn import datasets 
import matplotlib.pyplot as plt 
from sklearn.cross_decomposition import PLSRegression 
from sklearn.model_selection import train_test_split 
  
  
# load boston data using sklearn datasets 
boston = datasets.load_boston() 
  
# seprate data and target values 
x = boston.data 
y = boston.target 
  
# tabular data structure with labeled axes  
# (rows and columns) using DataFrame 
df_x = pd.DataFrame(x, columns=boston.feature_names) 
df_y = pd.DataFrame(y) 
  
# create PLSRegression model 
pls2 = PLSRegression(n_components=2) 
  
# split data 
x_train, x_test, y_train, y_test = train_test_split( 
    df_x, df_y, test_size=0.30, random_state=1) 
  
# fit the model 
pls2.fit(x_train, y_train) 
  
# predict the values 
Y_pred = pls2.predict(x_test) 
  
# plot the predicted Values 
plt.plot(Y_pred) 
plt.xticks(rotation=90) 
plt.show() 
  
# print the predicted value 
print(Y_pred)

输出：

使用PLSRegression绘制预测值

使用训练模型打印的预测值

相关用法

注：本文由纯净天空筛选整理自adityakumar27200大神的英文原创作品 sklearn.cross_decomposition.PLSRegression() function in Python。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。