función sklearn.cross_decomposition.PLSRegression() en Python

La regresión PLS es un método de regresión que tiene en cuenta la estructura latente en ambos conjuntos de datos. La regresión de mínimos cuadrados parciales se desempeñó bien en las evaluaciones basadas en MRI por razones de aprendizaje de una sola etiqueta y de múltiples etiquetas. PLSRegression adquiere de PLS con mode=”A” y deflation_mode=”regression”. Adicionalmente, PLS2 conocido o PLS en caso de respuesta unidimensional.

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

Parámetros:

Esta función acepta cinco parámetros que se mencionan anteriormente y se definen a continuación:

• n_components: < int > : Su valor por defecto es 2, y acepta la cantidad de componentes que se necesitan conservar.
• scale: < bool > : Su valor por defecto es True, y acepta si escalar los datos o no.
• max_iteran : < int > : Su valor predeterminado es 500 y acepta el número máximo de iteraciones del bucle interno de NIPALS.
• tol: < real no negativo > : Su valor por defecto es 1e-06, y acepta la tolerancia utilizada en el algoritmo iterativo.
• copy: < bool > : Su valor por defecto es True, y muestra que la desviación debe hacerse en una copia. No se preocupe por los efectos secundarios cuando el valor predeterminado es Verdadero.

Valor devuelto: PLSRegression es un enfoque para predecir la respuesta.

El siguiente ejemplo ilustra el uso del modelo PLSRegression().

Ejemplo:

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()
 
# separate 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)

Producción:

Trazar el valor predicho usando PLSRegression

Imprima el valor predicho usando el modelo entrenado