偏最小二乘回归MATLAB程序代码.doc

偏最小二乘回归MATLAB程序代码单因变量function y=pls(pz)row,col=size(pz);aver=mean(pz);stdcov=std(pz); %求均值和标准差rr=corrcoef(pz); %求相关系数矩阵%data=zscore(pz); %数据标准化stdarr = ( pz - aver(ones(row,1),:) )./ stdcov( ones(row,1),:); % 标准化数据结果与zscore()一致x0=pz(:,1:col-1);y0=pz(:,end); %提取原始的自变量、因变量数据e0=stdarr(:,1:col-1);f0=stdarr(:,end); %提取标准化后的自变量、因变量数据num=size(e0,1);%求样本点的个数temp=eye(col-1);%对角阵for i=1:col-1%以下计算 w，w*和 t 的得分向量， w(:,i)= ( e0* f0 )/ norm( e0*f0 ); t(:,i)=e0*w(:,i) %计算成分 ti 的得分 alpha(:,i)=e0*t(:,i)/(t(:,i)*t(:,i) %计算 alpha_i ,其中(t(:,i)*t(:,i)等价于norm(t(:,i)2 e=e0-t(:,i)*alpha(:,i) %计算残差矩阵 e0=e; %计算w*矩阵 if i=1 w_star(:,i)=w(:,i); else for j=1:i-1 temp=temp*(eye(col-1)-w(:,j)*alpha(:,j); end w_star(:,i)=temp*w(:,i); end%以下计算 ss(i)的值 beta=t(:,1:i),ones(num,1)f0 %求回归方程的系数 beta(end,:)=; %删除回归分析的常数项 cancha=f0-t(:,1:i)*beta; %求残差矩阵 ss(i)=sum(sum(cancha.2); %求误差平方和%以下计算 press(i) for j=1:num t1=t(:,1:i);f1=f0; she_t=t1(j,:);she_f=f1(j,:); %把舍去的第 j个样本点保存起来 t1(j,:)=;f1(j,:)=; %删除第j个观测值 beta1=t1,ones(num-1,1)f1; %求回归分析的系数 beta1(end,:)=; %删除回归分析的常数项 cancha=she_f-she_t*beta1; %求残差向量 press_i(j)=sum(cancha.2); end press(i)=sum(press_i) if i1 Q_h2(i)=1-press(i)/ss(i-1) else Q_h2(1)=1 end if Q_h2(i)1 Q_h2(i)=1-press(i)/ss(i-1) else Q_h2(1)=1 end if Q_h2(i)0.0985 fprintf(提出的成分个数 r=%d,i); r=i; break endendbeta_z=t(:,1:r),ones(num,1)f0; %求标准化Y关于 t 的回归系数beta_z(end,:)=; %删除常数项xishu=w_star(:,1:r)*beta_z; %求标准化Y关于X的回归系数， 且是针对标准数据的回归系数，每一列是一个回归方程mu_x=aver(1:n);mu_y=aver(n+1:end);sig_x=stdcov(1:n);sig_y=stdcov(n+1:end);for i=1:m ch0(i)=mu_y(i)-mu_x./sig_x*sig_y(i)*xishu(:,i); %计算原始数据的回归方程的常数项endfor i=1:m xish(:,i)=xishu(:,i)./sig_x*sig_y(i); %计算原始数据的回归方程的系数， 每一列是一个回归方程endsol=ch0;xish %显示回归方程的系数，每一列是一个方程，每一列的第一个数是常数项