PLS应用分析PPT课件（MATLAB优秀教学资源）

MATLAB优化算法案例分析与应用PLS应用分析

MATLAB优化算法案例分析与应用1偏最小二乘回归具体的偏回归流程图如图所示。

MATLAB优化算法案例分析与应用1偏最小二乘回归因变量组和自变量组的n次标准化观测数据阵分别记为：

MATLAB优化算法案例分析与应用2偏最小二乘快速计算方法偏最小二乘法的简记算法的步骤如下：（1）求矩阵最大特征值所对应的特征向量w1，求得成分，计算成分得分向量，和残差矩阵，其中。（2）求矩阵最大特征值所对应的特征向量w2，求得成分

，计算成分得分向量，和残差矩阵，其中。……（r）至第r步，求矩阵最大特征值所对应的特征向量wr，求得成分，计算成分得分向量。普通最小二乘回归方程为

MATLAB优化算法案例分析与应用3偏最小二乘数据分析No体重(x1)腰围(x2)脉搏(x3)单杠(y1)弯曲(y2)跳高(y3)1191365051626021893752211060319338581210110141623562121053751893546131555861823656410142721138568101388167346061254091763174152004010154335617251250111693450171203812166335213210115131543464142151051424746501505015193364667031162023762122101201717637544602518157325211230801915633541522573201383368211043均值178.63456.19.45145570.3标准差24.69053.2027.2104286362.566651.2775

MATLAB优化算法案例分析与应用3偏最小二乘数据分析

表5-2给出了这6个变量的简单相关系数矩阵。从相关系数矩阵可以看出，体重与腰围是正相关的；体重、腰围与脉搏负相关；而在单杠、弯曲与跳高之间是正相关的。从两组变量间的关系看，单杠、弯曲和跳高的训练成绩与体重、腰围负相关，与脉搏正相关。

MATLAB优化算法案例分析与应用3偏最小二乘数据分析

体重腰围脉搏单杠弯曲跳高PearsonCorrelation体重1.000.870-.366-.390-.493-.226腰围.8701.000-.353-.552-.646-.191脉搏-.366-.3531.000.151.225.035单杠-.390-.552.1511.000.696.496弯曲-.493-.646.225.6961.000.669跳高-.226-.191.035.496.6691.000Sig.(1-tailed)体重..000.056.045.014.169腰围.000..063.006.001.209脉搏.056.063..263.170.442单杠.045.006.263..000.013弯曲.014.001.170.000..001跳高.169.209.442.013.001.表5-2相关系数矩阵

MATLAB优化算法案例分析与应用3偏最小二乘数据分析

MATLAB优化算法案例分析与应用3偏最小二乘数据分析

MATLAB优化算法案例分析与应用3偏最小二乘数据分析偏最小二乘回归模型为：的计算结果见表5-5。

MATLAB优化算法案例分析与应用3偏最小二乘数据分析回归系数直方图figure,bar(xishu')axistightholdonannotation('textbox',[0.260.140.0860.07],'String',{'单杠'},'FitBoxToText','off');annotation('textbox',[0.560.140.0860.07],'String',{'弯曲'},'FitBoxToText','off');annotation('textbox',[0.760.140.0860.07],'String',{'跳高'},'FitBoxToText','off');

MATLAB优化算法案例分析与应用3偏最小二乘数据分析体能训练预测图subplot(2,2,1)plot(0:ymax(1),0:ymax(1),yhat(:,1),y0(:,1),'*')title('单杠成绩预测')subplot(2,2,2)plot(0:ymax(2),0:ymax(2),yhat(:,2),y0(:,2),'O')title('弯曲成绩预测')

subp