如何获得 PLS 回归的截距（sklearn）

Question

使用 sklearn 的 PLS 回归给出了非常差的预测结果。当我得到模型时，我找不到找到 "intercept" 的方法。也许这会影响模型的预测？分数和负载矩阵很好。系数的排列也。无论如何，如何使用已经获得的属性来获得拦截？

此代码抛出变量的系数。

from pandas import DataFrame
from sklearn.cross_decomposition import PLSRegression

X = DataFrame( {
        'x1': [0.0,1.0,2.0,2.0],
        'x2': [0.0,0.0,2.0,5.0],
        'x3': [1.0,0.0,2.0,4.0],
    }, columns = ['x1', 'x2', 'x3'] )
Y = DataFrame({
        'y': [ -0.2, 1.1, 5.9, 12.3 ],
    }, columns = ['y'] )

def regPLS1(X,Y):
    _COMPS_ = len(X.columns) # all latent variables
    model = PLSRegression(_COMPS_).fit( X, Y )
    return model.coef_

结果是：

regPLS1(X,Y)
>>> array([[ 0.84], [ 2.44], [-0.46]])

除了这些系数，截距的值为：0.26。我做错了什么？

编辑正确的预测（评估）响应是 Y_hat（与观察到的 Y 完全相同）：

Y_hat = [-0.2  1.1  5.9 12.3]

Answer 1

根据我对 _PLS the formula is Y = XB + Err where model.coef_ is the estimate of B. If you look at the predict 方法实施的阅读，它看起来像使用拟合参数 y_mean_ 作为 Err，所以我相信这就是您想要的。使用 model.y_mean_ 而不是 model.coef_。希望这对您有所帮助！

Answer 2

要计算截距，请使用以下方法：

plsModel = PLSRegression(_COMPS_).fit( X, Y )

y_intercept = plsModel.y_mean_ - numpy.dot(plsModel.x_mean_ , plsModel.coef_)

我直接从 R "pls" 包中得到公式：

 BInt[1,,i] <- object$Ymeans - object$Xmeans %*% B[,,i]

我测试了结果并在 R 'pls' 和 scikit-learn 中计算了相同的截距。

如何获得 PLS 回归的截距（sklearn）

How obtain the intercept of the PLS-Regression (sklearn)

python

regression

scikit-learn