大家好，我是顺亿，今天咱们来聊聊PLS和sgPLS这两兄弟。你可能听过线性回归，但PLS和sgPLS又是啥呢？别急，听我慢慢道来。
先来认识一下PLS
PLS，全称偏最小二乘回归，它是一种统计方法，有点像线性回归的亲戚。它不是直接找自变量和因变量之间的最大方差，而是找到一个能将预测变量和可观测变量投影到新空间的线性回归模型。
Penalised Loss：PLS的“减肥”秘诀
PLS有个小秘密，就是它喜欢用Penalised Loss来减肥。简单来说，Penalised Loss就是Original loss加上一个Penalty。这个Penalty就像一个教练，会告诉模型哪些特征更重要，哪些可以“减掉”。
Penalty有两种常见的形式：lasso和ridge。lasso会让一些系数变成0，相当于把一些特征“减掉”；而ridge则会让一些系数变小，相当于让一些特征“瘦下来”。
PLS和线性回归的区别
虽然PLS和线性回归的Penalised Loss公式相同，但它们的function不同，输出的结果也不同。线性回归输出的是一个单一的预测值，而PLS输出的是一个矩阵。
sgPLS：PLS的加强版
sgPLS是PLS的加强版，它可以在多个组之间进行选择。比如，你有一组数据，分为两组，sgPLS可以帮助你找到最佳的组合方式。
总结
今天我们就聊到这里，希望你对PLS和sgPLS有了更深入的了解。如果你还有其他问题，欢迎在评论区留言。我是顺亿，我们下期再见！
参考资料：