Additive Splines for Partial Least Squares Regression
用于偏最小二乘回归的加性样条AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及通用非线性偏最小二乘及化学、生理应用，没有宏观或金融共同因子内容，所列领域证据不足。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于偏最小二乘回归的加性样条
- 研究问题
- 如何通过样条变换把偏最小二乘回归扩展到非线性，并在多个响应变量的情形下建立可计算的加性回归模型？
- 方法与思路
- 作者先用样条函数变换预测变量，再推广偏最小二乘构造多响应加性模型，称为 ASPLS，并讨论其统计与计算方面。
- 材料陈述的贡献
- 摘要称，论文提出加性样条偏最小二乘方法，并通过化学和生理学应用展示其相对于其他偏最小二乘方法的表现。
- 阅读关注点
- 应核对样条基与复杂度选择、加性结构及多响应处理方式、潜在成分的计算，以及应用比较采用的评价指标和验证设计。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；理论保证、调参细节和比较结果未说明，不能仅据展示表述认定性能优越。
原文摘要
This article introduces a generalization of the partial least squares regression (PLS). Transforming the predictors by means of spline functions is a useful way to extend PLS into nonlinearity and to obtain a multiresponse additive model. We describe both statistical and computational aspects of this new method, termed additive splines partial least squares (ASPLS). The performance of ASPLS compared with other PLS methods is illustrated with chemical and physiological applications.