偏最小二乘回归算法

该资源是偏最小二乘回归算法，可以对数据进行偏最小二乘回归

function [XloadingsYloadingsXscoresYscores ...
                    betapctVarmsestats] = plsregress（XYncompvarargin）
%PLSREGRESS Partial least squares regression.
%   [XLOADINGSYLOADINGS] = PLSREGRESS（XYNCOMP） computes a partial least
%   squares regression of Y on X using NCOMP PLS components or latent
%   factors and returns the predictor and response loadings.  X is an N-by-P
%   matrix of predictor variables with rows corresponding to observations
%   columns to variables.  Y is an N-by-M response matrix.  XLOADINGS is a
%   P-by-NCOMP matrix of predictor loadings where each row of XLOADINGS
%   contains coefficients that define a linear combination of PLS components
%   that approximate the original predictor variables.  YLOADINGS is an
%   M-by-NCOMP matrix of response loadings where each row of YLOADINGS
%   contains coefficients that define a linear combination of PLS components
%   that approximate the original response variables.
%
%   [XLOADINGSYLOADINGSXSCORES] = PLSREGRESS（XYNCOMP） returns the
%   predictor scores i.e. the PLS components that are linear combinations of
%   the variables in X.  XSCORES is an N-by-NCOMP orthonormal matrix with rows
%   corresponding to observations columns to components.
%
%   [XLOADINGSYLOADINGSXSCORESYSCORES] = PLSREGRESS（XYNCOMP）
%   returns the response scores i.e. the linear combinations of the
%   responses with which the PLS components XSCORES have maximum covariance.
%   YSCORES is an N-by-NCOMP matrix with rows corresponding to observations
%   columns to components.  YSCORES is neither orthogonal nor normalized.
%
%   PLSREGRESS uses the SIMPLS algorithm and first centers X and Y by
%   subtracting off column means to get centered variables X0 and Y0.
%   However it does not rescale the columns.  To perform partial least
%   squares regression with standardized variables use ZSCORE to normalize X
%   and Y.
%
%   If NCOMP is omitted its default value is MIN（SIZE（X1）-1 SIZE（X2））.
%
%   The relationships between the scores loadings and centered variables X0
%   and Y0 are
%
%      XLOADINGS = （XSCORES\X0）‘ = X0‘*XSCORES
%      YLOADINGS = （XSCORES\Y0）‘ = Y0‘*XSCORES
%
%   i.e. XLOADINGS and YLOADINGS are the coefficients from regressing X0 and
%   Y0 on XSCORES and XSCORES*XLOADINGS‘ and XSCORES*YLOADINGS‘ are the PLS
%   approximations to X0 and Y0.  PLSREGRESS initially computes YSCORES as
%
%      YSCORES = Y0*YLOADINGS = Y0*Y0‘*XSCORES
%
%   however by convention PLSREGRESS then orthogonalizes each column of
%   YSCORES with respect to preceding columns of XSCORES so that
%   XSCORES‘*YSCORES is lower triangular.
%
%   [XLYLXSYSBETA] = PLSREGRESS（XYNCOMP...） returns the PLS regression
%   coefficients BETA.  BETA is a （P+1）-by-M matrix containing intercept
%   terms in the first row i.e. Y = [ONES（N1） X]*BETA + RESIDUALS and
%   Y0 = X0*BETA（2:END:） + RESIDUALS.
%
%   [XLY

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件       16482  2017-05-18 17:31  plsregress.m