如何在 R 中正确使用 plsr()？

Question

我正在学习 plsrin R 并遇到几个不同的例子，这让我感到困惑。我已经看到了以下两种方式来拟合和找到最佳组件数量的两种方式。我只是想知道哪些是正确的方法和首选的方法？

1) 假设我们有一个名为 data 的数据框，它分为训练数据 data.train 和测试数据 data.test。然后将 plsr 拟合为

plsr.fit = plsr(formula, data = data.train, validation = "CV", scale = TRUE)
summary(plsr.fit)

然后根据最小的CV 值获取ncomp 值。

2) 无需任何数据拆分，只需将模型拟合到完整数据中

plsr(formula, data = data, validation = "CV", scale = TRUE)
summary(plsr.fit)

然后根据最小的CV 值获取ncomp 值。

我感到困惑的部分是第一种方法。既然validation = "CV" 已经包含在内，并且它确实会自动应用 10 倍 CV，为什么该模型适合训练数据，而不是完整数据？在这种情况下，训练数据是否会再次拆分为训练和测试数据，并自动应用 10 倍交叉验证？

Answer 1

当您运行交叉验证时，您仍然适合您正在使用的数据集。除非您将模型与从未见过的数据进行比较，否则您无法真正测试模型的准确性。这就是为什么您通常将数据分成大约 80% 用于“训练”（包括交叉验证或您选择的任何其他方法）和 20% 用于“测试”交叉验证之后。