{"id":1210,"date":"2023-07-27T07:03:03","date_gmt":"2023-07-27T07:03:03","guid":{"rendered":"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial\/"},"modified":"2023-07-27T07:03:03","modified_gmt":"2023-07-27T07:03:03","slug":"kuadrat-terkecil-parsial","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/kuadrat-terkecil-parsial\/","title":{"rendered":"Pengantar kuadrat terkecil parsial"},"content":{"rendered":"

<\/p>\n

\n

Salah satu masalah paling umum yang akan Anda temui dalam pembelajaran mesin adalah multikolinearitas<\/a> . Hal ini terjadi ketika dua atau lebih variabel prediktor dalam kumpulan data berkorelasi tinggi.<\/span><\/p>\n

Jika hal ini terjadi, suatu model mungkin dapat menyesuaikan dengan kumpulan data pelatihan dengan baik, namun model tersebut mungkin memiliki performa yang buruk pada kumpulan data baru yang belum pernah dilihatnya karena model tersebut terlalu cocok dengan<\/a> kumpulan data pelatihan. perlengkapan latihan.<\/span><\/p>\n

Salah satu cara untuk mengatasi masalah multikolinearitas adalah dengan menggunakan regresi komponen utama<\/a> , yang menghitung M<\/em> kombinasi linier (disebut “komponen utama”) dari variabel prediktor p<\/em> asli dan kemudian menggunakan metode kuadrat terkecil agar sesuai dengan model regresi linier menggunakan prinsipal. komponen sebagai prediktor.<\/span><\/p>\n

Kelemahan dari regresi komponen utama (PCR) adalah tidak memperhitungkan variabel respon<\/a> saat menghitung komponen utama.<\/span><\/p>\n

Sebaliknya, pendekatan ini hanya mempertimbangkan besarnya varians antara variabel prediktor yang ditangkap oleh komponen utama. Oleh karena itu, ada kemungkinan dalam beberapa kasus komponen utama yang memiliki deviasi terbesar tidak dapat memprediksi variabel respon dengan baik.<\/span><\/p>\n

Teknik yang berhubungan dengan PCR dikenal sebagai kuadrat terkecil parsial<\/strong> . Mirip dengan PCR, kuadrat terkecil parsial menghitung M<\/em> kombinasi linier (disebut “komponen PLS”) dari variabel prediktor p<\/em> asli dan menggunakan metode kuadrat terkecil agar sesuai dengan model regresi linier yang menggunakan komponen PLS sebagai prediktor.<\/span><\/p>\n

Namun tidak seperti PCR, kuadrat terkecil parsial berupaya menemukan kombinasi linier yang menjelaskan variasi dalam<\/em> variabel respons dan variabel prediktor.<\/span><\/p>\n

Langkah-Langkah Melakukan Partial Least Squares<\/strong><\/span><\/h3>\n

Dalam praktiknya, langkah-langkah berikut digunakan untuk melakukan kuadrat terkecil parsial.<\/span><\/p>\n

1.<\/strong><\/span> Standarisasi data sedemikian rupa sehingga semua variabel prediktor dan variabel respons mempunyai rata-rata 0 dan simpangan baku 1. Hal ini memastikan bahwa setiap variabel diukur pada skala yang sama.<\/span><\/p>\n

2.<\/strong> Hitung Z 1<\/sub> , \u2026 , Z M<\/sub> sebagai kombinasi linier M<\/em> dari prediktor p<\/em> asli.<\/span><\/p>\n