Dergiler / İstatistik Araştırma Dergisi / 2007 / Cilt: 5 Sayı: 2

Kısmi En Küçük Kareler Algoritmalarından NIPALS ile SIMPLS'ın Tanıtımı ve Bir Uygulama

Introduction to Partial Least Squares Algorithms NIPALS and SIMPLS and an Application

Elif Bulut(DOKUZ EYLÜL ÜNİVERSİTESİ, FEN FAKÜLTESİ, İSTATİSTİK BÖLÜMÜ)
Aylin Alın(DOKUZ EYLÜL ÜNİVERSİTESİ, FEN FAKÜLTESİ, İSTATİSTİK BÖLÜMÜ)
Sayfa
52–68
Yayın Tarihi
2007-12-14
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmada KEKK için en temel algoritma olan NIPALS, 1993 yılında De Jong tarafından geliştirilen ve yaygın olarak kullanılan SIMPLS algoritmalarına değinilmiş, bir örnek üzerinde uygulama gösterilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Kısmi en küçük kareler (KEKK) yöntemi, aralarında çoklu doğrusal bağlantı bulunan açıklayıcı değişkenler içerisinden, bu değişkenlerdeki değişimin büyük kısmını açıklayacak, dik ve daha az sayıda gizli değişkeni (bileşen) bulmakla ilgilenir.
📊
Temel Bulgular & Veri:Farklı alanlarda farklı amaçlar doğrultusunda kullanımından dolayı, KEKK için farklı algoritmalar ortaya çıkarılmıştır.
💡
Sonuç & Katkı:Bu çalışmada KEKK için en temel algoritma olan NIPALS, 1993 yılında De Jong tarafından geliştirilen ve yaygın olarak kullanılan SIMPLS algoritmalarına değinilmiş, bir örnek üzerinde uygulama gösterilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Çoklu Doğrusal Bağlantı · Kısmi En Küçük Kareler · NIPALS

Özet

Kısmi en küçük kareler (KEKK) yöntemi, aralarında çoklu doğrusal bağlantı bulunan açıklayıcı değişkenler içerisinden, bu değişkenlerdeki değişimin büyük kısmını açıklayacak, dik ve daha az sayıda gizli değişkeni (bileşen) bulmakla ilgilenir. Farklı alanlarda farklı amaçlar doğrultusunda kullanımından dolayı, KEKK için farklı algoritmalar ortaya çıkarılmıştır. Bu çalışmada KEKK için en temel algoritma olan NIPALS, 1993 yılında De Jong tarafından geliştirilen ve yaygın olarak kullanılan SIMPLS algoritmalarına değinilmiş, bir örnek üzerinde uygulama gösterilmiştir.

Abstract

Partial least squares (PLS) is used for obtaining the smallest number of orthogonal latent variables (component) that explain the great amount of variation in the original independent variables which have multicollinearity. Since it is applicaple to various disciplines different algorithms have been developed for PLS. In this study, NIPALS which is the first and basic algorithm of PLS and SIMPLS developed by De Jong in 1993 will be described and illustrated on an health data set.

🔖

Bu Makaleye Atıf Yap

Bulut, E., Alın, A. (2007). Kısmi En Küçük Kareler Algoritmalarından NIPALS ile SIMPLS'ın Tanıtımı ve Bir Uygulama. İstatistik Araştırma Dergisi, Cilt: 5 Sayı: 2, 52–68. https://ajindex.com/articles/1617896

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (8)

  1. De Jong, S., 1993. SIMPLS: An alternative approach to partial least squares regression. Chemometrics and Intelligent Laboratory Systems 18,251-263.
  2. Geladi, P., Kowalski, R., 1986. Partial least squares regression: A tutorial. Analytica Chimica Acta 185, 1-17.
  3. Helland, I. S., 1988. On the structure of partial least squares regression. Communications in Statistics l7(2), 581-607.
  4. Höskuldsson, A., 1988. PLS regression methods. Journal of Chemometrics 2, 211- 228.
  5. Lindgren, F., Rännar, S., 1998. Alternative partial least-squares (PLS) algorithms. Perspectives in Drug Discovery and Design 12/13/ 14, 105-113.
  6. Randall, D. Tobias., 1996. An introduction to partial least squares regression. SAS Institute Inc., Cary, NC. http://support.sas.com/techsup/teclmote/ts509.pdf, 11 Şubat 2008.
  7. Rawlings, J. O., 1988. Applied regression analysis: A research tool. Cole Advanced Books&Software. California.
  8. Wold, S., Sjostrom, M., Eriksson, L., 2001. PLS-regression: A basic tool of chemometrics. Chemometrics and Intelligent Laboratory Systems 58, 109-130.