régression Stacked PLS
model=spls(x,y,lv,obs_split,var_split,(centred))
données d'étalonnage; une matrice (n x q) et un vecteur (n x 1) ou des structures Div
nombre de variables latentes
paramètre pour la validation croisée:
- un entier: nombre de blocs tirés au hasard
- deux entiers: [a b ]: a blocs tirés au hasard; b répétitions
- un vecteur de dimension n attribuant chaque échantillon à un bloc (nombres 1,2,...k pour k blocs): blocs fixés par le vecteur
- une matrice (n x b ) de vecteurs-colonne de dimension n attribuant chaque échantillon à un bloc (nombres 1,2,...k pour k blocs): blocs fixés par chaque vecteur, b répétitions
- 'vnbxx': stores vénitiens, xx blocs; ex: 'vnb10' pour 10 blocs
- 'blkxx' ou 'jckxx':blocs contigus = Jack knife, xx blocs; ex: 'jck8' pour 8 blocs
paramètre pour classer les variables en groupes:
- un entier: nombre de blocs tirés au hasard
- un vecteur de dimension q attribuant chaque variable à un bloc (nombres 1,2,…m pour m blocs): blocs fixés par le vecteur
- 'vnbxx': stores vénitiens, xx blocs; ex: 'vnb10' pour 10 blocs
- 'blkxx' ou 'jckxx': blocs contigus = Jack knife, xx blocs; ex: 'jck8' pour 8 blocs
centré=1 (par défaut); non centré=0
les erreurs standard d'étalonnage et de validation croisée
model.err.d est une matrice (lv x 2); les colonnes sont les rmsec et rmsecv respectivement
les valeurs y prédites après validation croisée
model.ypredcv.d est une matrice (n x lv)
les b ou coefficients de régression
model.b.d est une matrice (q x lv)
moyennes de x et y , un vecteur (q x 1) et un scalaire
1=centré; 0=non centré