基于Python（sklearn）計算PLS中的VIP值

sklearn中PLS回歸模型并沒有計算VIP值的方法，但VIP又是很重要的篩選變量方法。下附代碼思路與完整代碼，若有錯誤，萬望指正。

1.首先亮明計算公式：

其中：
VIPj：對應于第j個特征的VIP值；
p：預測變量的總數；
A：PLS成分的總數；
R矩陣：A個PLS成分中，每個成分a都對應一套系數wa將X轉換為成分得分，系數矩陣寫作R，大小為p×A；
T矩陣：n個樣本中，每個樣本會計算出A個成分得分，得分矩陣記做T，大小為n×A，ta代表n個樣本的第a個成分的得分列表；
以上有T = XR
qa：
e是殘差，X0和y0代表數據和標簽。

2. 按照sklearn中對屬性的解釋：

該x_rotations_應對應于R矩陣，T矩陣對應于transform后生成的降維數據。
又依據：

有模型中e殘差應為0，即y = yhat = X coef_

3. 組織計算步驟
1）計算qa2：qa = yhat.T ta -> Q2 = q2 = np.square(y.T, T)
2) p = X.shape[1]
3) = np.sum(Q2)
4) R = x_rotations_
4) = R[j, a] / np.linalg.norm(R[:, a])

Ok，萬事具備，開搞。
下付完整代碼

def compute_VIP(X, y, R, T, A):"""計算模型中各預測變量的VIP值:param X: 數據集X:param y: 標簽y:param R: A個PLS成分中，每個成分a都對應一套系數wa將X轉換為成分得分，系數矩陣寫作R，大小為p×A:param T: 得分矩陣記做T，大小為n×A，ta代表n個樣本的第a個成分的得分列表:param A: PLS成分的總數:return: VIPs = np.zeros(p)"""p = X.shape[1]Q2 = np.square(np.dot(y.T, T))VIPs = np.zeros(p)temp = np.zeros(A)for j in range(p):for a in range(A):temp[a] = Q2[a] * pow(R[j, a] / np.linalg.norm(R[:, a]), 2)VIPs[j] = np.sqrt(p * np.sum(temp) / np.sum(Q2))return VIPs

下面為函數調用代碼：

X, Y = np.zero() # 此處應用自己的數據 x_train, x_test, y_train, y_test = model_selection.train_test_split(X, Y, test_size=0.3)# 然后對y進行轉換（啞變量） y_train_labels = pd.get_dummies(y_train)# 建模 n_component = 3 model = PLSRegression(n_components=n_component) model.fit(x_train, y_train_labels)# x_test_trans = model.transform(x_test) VIPs = compute_VIP(x_test, y_test, model.x_rotations_, x_test_trans, n_component) plt.scatter(np.arange(0, X.shape[1]), VIPs) plt.show()

總結

以上是生活随笔為你收集整理的基于Python（sklearn）计算PLS中的VIP值的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。