偏最小二乘回归MATLAB程序代码VIP

偏最小二乘回归MATLAB程序代码偏最小二乘回归MATLAB程序代码偏最小二乘回归MATLAB程序代码xxx公司偏最小二乘回归MATLAB程序代码文件编号：文件日期：修订次数：第1.0次更改批准审核制定方案设计，管理制度偏最小二乘回归MATLAB程序代码单因变量functiony=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

fori=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

ifi==1

w_star(:,i)=w(:,i);

else

forj=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)

forj=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)

ifi>1

Q_h2(i)=1-press(i)/ss(i-1)

else

Q_h2(1)=1

end

ifQ_h2(i)<

fprintf('提出的成分个数r=%d',i);

r=i;

break

end

end

beta_z=[t,ones(num,1)]\f0;

%求标准化Y关于主成分得分向量t的回归系数

beta_z(end,:)=[];

%删除常数项

xishu=w_star*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:col-1);mu_y=aver(end);

sig_x=stdcov(1:col-1);sig_y=stdcov(end);

ch0=mu_y-mu_x./sig_x*sig_y*xishu;

%计算原始数据的回归方程的常数项

xish=xishu'./sig_x*sig_y;

%计算原始数据的回归方程的系数，每一列是一个回归方程

Rc=corrcoef(x0*xish'+ch0,y0)

sol=[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多因变量functiony=pls(pz,Xnum,Ynum)

[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),:);

%标准化自变量

n=Xnum;m=Ynum;

%n是自变量的个数,m是因变量的个数

x0=pz(:,1:n);y0=pz(:,n+1:end);%提取原始的自变量、因变量数据

e0=data(:,1:n);f0=data(:,n+1: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(n);%对角阵

fori=1:n

%以下计算w，w*和t的得分向量，

matrix=e0'*f0*f0'*e0;

[vec,val]=eig(matrix)%求特征值和特征向量

val=diag(val);

%提出对角线元素

[val,ind]=sort(val,'descend');

w(:,i)=vec(:,ind(1))

%提出最大特征值对应的特征向量

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

ifi==1

w_star(:,i)=w(:,i);

else

forj=1:i-1

temp=temp*(eye(n)-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)

forj=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)

ifi>1

Q_h2(i)=1-press(i)/ss(i-1)

else

Q_h2(1)=1

end

ifQ_h2(i)<

fprintf('提出的成分个数r=%d',i);

r=i;

break

end

end

beta_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);

fori=1