为什么使用 PLS 回归时 Matlab 和 scikit-learn 的结果不同？

Question

我使用 PLSRegression.predict 形式的 sklearn.cross_decomposition 和 MATLAB(2014a) 的 plsregress，结果略有不同。我确定我使用了相同的组件和数据。 Matlab 的性能总是比 scikit-learn 好。

Python：

from sklearn.cross_decomposition import PLSRegression
pls = PLSRegression(n_components=8)
pls.fit(X_train, Y_train)
Y_pred = pls.predict(X_train)

Matlab：

[XL,YL,XS,YS,BETA,PCTVAR,MSE]=plsregress(X_train , Y_train ,8);
Yfit = [ones(size(X_train,1),1) X_train]*BETA;

Answer 1

我相信 scikit-learn 使用 NIPALS 算法进行 PLS，而 MATLAB 使用 SIMPLS 算法。它们可能会给出略有不同的结果。

请参阅 MATLAB 中 plsregress 的文档页面，并参考底部的算法。我没有 NIPALS 的便捷链接，但它是 Svante Wold 的一种算法，并且在互联网上得到了广泛的描述。