姚奕2022-07-29 16:00:03

这个表格就是从原文的附件中摘录出来的，原文也是以其中几个模型（LARS、LASSO、Principal compenent和SVM）作为典型对AI进行了分类探讨，也没有面面俱到把每个模型都分析一边，当然这也就让我们知道考试的重点了。
在进行回归分析时，通常都是考察多个X对Y的影响，但有时复杂的研究也会涉及研究多个X对多个Y的影响，尤其是数据存在当自变量存在多重共线性问题时，普通的多元线性回归无法很好的解决问题。PLS回归则能很好的解决这些问题。
应用场景PLS回归（Partial least squares regression，偏最小二乘法回归），是一种研究影响关系的多元统计方法。
主要用于解决共线性问题、分析多个自变量对多个因变量Y的影响关系、以及处理小样本。
1987年由德宾（Durbin）和威尔萧（Willshaw）在「自然」月刊所提出弹性网络（Elastic Network）。要说清楚弹性网络比较复杂，简单来说，它也是一种线性回归，但用了不断迭代的思路，并且用两个范数作为训练目标。弹性网络最妙的地方是它永远可以产生有效解，并且收敛速度相当理想。
这两个方法不是重点，简单知道就行。