Python sklearn.cross_decomposition.PLSRegression()用法及代碼示例

PLS回歸是一個回歸方法，考慮到在兩個數據集中的潛結構。偏最小二乘回歸在兩個single-label和multi-label學習的原因基於MRI的評估表現良好。 PLSRegression從PLS獲取與模式=” A”和deflation_mode =”回歸”。另外，在一維響應的情況下，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)

參數：

該函數接受被上述和下麵定義的五個參數：

n_components：<int>：其默認值為2，它接受需要保留的組件數。
規模：<布爾>：其缺省值為True，並且它接受是否縮放數據或沒有。
max_iteran：<int>的：它的默認值是500，並且它接受NIPALS內部循環迭代的最大數量。
收費：<非負實數>：其默認值為1e-06，它接受迭代算法中使用的容差。
複製：<bool>：其默認值為True，它表明應該對副本進行偏轉。當默認值設置為true不要在意副作用。

返回值：PLSRegression是預測響應的方法。

在下麵的實施例說明了如何使用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)

輸出：

使用PLSRegression繪製預測值

使用訓練模型打印的預測值

相關用法

注：本文由純淨天空篩選整理自adityakumar27200大神的英文原創作品 sklearn.cross_decomposition.PLSRegression() function in Python。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。