PLS-PM Frame of MindBefore describi

PLS-PM Frame of Mind
Before describing the PLS-PM methodology, I would like to tell you some words that you
won't see that often in the PLS-related literature but that I consider very important to
understand the PLS-PM framework. Although most of what is here is my personal point of
view, I think it re
ects enough what most PLSers feel about the principles of PLS in general,
and PLS-PM in particular.
First of all, you have to understand that PLS methods are analytical tools with algorithmic
origins aiming at solving models in a very practical way. PLS methods are not derived
through probabilistic reasoning or numerical optimization. Instead, PLS moves away from
stringent assumptions on data while maintaining a prediction-oriented focus. It is true that
it doesn't rely on the classic inferential tradition |extensively based on assumptions about
variables and error distributions| but this does not mean that PLS lacks a solid statistical
basis. To assess how closely a PLS model ts" the data, we use prediction error as our
measure of prediction accuracy, and resampling methods for inference purposes.

Kết quả (Việt) 1:

PLS-PM khung của tâmTrước khi mô tả các phương pháp PLS-PM, tôi muốn cho bạn biết một số từ mà bạnsẽ không thấy rằng thường xuyên trong các tài liệu liên quan đến PLS nhưng mà tôi xem xét rất quan trọng đểhiểu khuôn khổ PLS-PM. Mặc dù hầu hết những gì ở đây là quan điểm cá nhân của tôiquan điểm, tôi nghĩ rằng đó táiECTS đủ những gì PLSers hầu hết cảm thấy về các nguyên tắc của PLS nói chung,và PLS-PM đặc biệt.Trước hết, bạn phải hiểu rằng PLS phương pháp phân tích công cụ với thuật toánnguồn gốc nhằm giải quyết các mô hình trong một cách rất thực tế. PLS phương pháp không có nguồn gốcthông qua các lý do xác suất hoặc số tối ưu hóa. Thay vào đó, PLS di chuyển ra khỏigiả định nghiêm ngặt trên dữ liệu trong khi duy trì một tập trung theo định hướng dự đoán. Nó là đúng lànó không dựa vào truyền thống cổ điển hồ |extensively dựa trên giả định vềbiến và lỗi distributions| nhưng điều này không có nghĩa rằng PLS thiếu một rắn thống kêcơ sở. Để đánh giá như thế nào chặt chẽ PLS một mẫu ts"dữ liệu, chúng tôi sử dụng dự báo lỗi như chúng tôithước đo độ chính xác dự báo, và phương phương pháp cho các mục đích suy luận.

Kết quả (Việt) 2:

PLS-PM Khung of Mind
Trước khi mô tả các phương pháp PLS-PM, tôi muốn nói với bạn một số từ mà bạn
sẽ không thấy rằng thường xuyên trong các tài liệu liên quan đến PLS nhưng mà tôi coi là rất quan trọng để
hiểu được các khuôn khổ PLS-PM. Mặc dù hầu hết những gì là ở đây là quan điểm cá nhân của tôi
xem, tôi nghĩ rằng nó lại
phản đủ những gì hầu hết PLSers cảm nhận về các nguyên tắc của PLS nói chung,
và PLS-PM nói riêng.
Trước hết, bạn phải hiểu rằng phương pháp này là PLS công cụ phân tích với thuật toán
gốc nhằm giải quyết các mô hình trong một cách rất thực tế. PLS phương pháp này không có nguồn gốc
qua lý luận xác suất hoặc tối ưu hóa số. Thay vào đó, PLS di chuyển ra khỏi
các giả định nghiêm ngặt về dữ liệu trong khi duy trì một trọng tâm dự báo định hướng. Đúng là
nó không dựa trên truyền thống suy diễn cổ điển | rộng rãi dựa trên những giả định về
các biến và phân phối báo lỗi | nhưng điều này không có nghĩa là PLS thiếu một thống kê rắn
cơ sở. Để đánh giá mức độ chặt chẽ một mô hình PLS ts "các dữ liệu, chúng tôi sử dụng dự báo lỗi như chúng tôi
đo độ chính xác dự đoán, và phương pháp lấy mẫu lại cho mục đích suy luận.