<< ridge (X->y) Etalonnages linéaires vodka >>

fact >> (X->y) Etalonnages linéaires > spls

spls

régression Stacked PLS

Séquence d'appel

model=spls(x,y,lv,obs_split,var_split,(centred))

Paramètres

x, y :

données d'étalonnage; une matrice (n x q) et un vecteur (n x 1) ou des structures Div

lv :

nombre de variables latentes

obs_split:

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

var_split:

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

(centred):

centré=1 (par défaut); non centré=0

model.err:

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

model.ypredcv:

les valeurs y prédites après validation croisée

model.ypredcv.d est une matrice (n x lv)

model.b:

les b ou coefficients de régression

model.b.d est une matrice (q x lv)

model.x_mean, model.y_mean:

moyennes de x et y , un vecteur (q x 1) et un scalaire

model.center:

1=centré; 0=non centré

Exemples

[model]=spls(x,y,20, 'vnb10','blk10')

Bibliographie

Auteurs


Report an issue
<< ridge (X->y) Etalonnages linéaires vodka >>