Méthodes PLS

- N.I.P.A.L.S. (Non Linear Iterative Partial Least Square) - Méthode "descriptive"
Analyse en Composantes Principales (A.C.P.) basée sur un mode de calcul qui permet d'utiliser toutes les données disponibles dans un tableau « observations x variables » présentant des valeurs manquantes, et non pas seulement les « cas complets » comme les méthodes « classiques ».
Le nombre de composantes significatives à retenir est déterminé par validation croisée.
Les observations atypiques sont repérées grâce à des tests et une carte de contrôle.

- Régression PLS1 - Méthode "prédictive"
Méthode robuste de modélisation d'un tableau comportant une variable « à prédire » Y en fonction d'un tableau de variables « prédictives » X basée sur un algorithme dérivé de N.I.P.A.L.S. qui consiste à :

1. rechercher des composantes orthogonales (structures « latentes ») de X, à la fois les plus « descriptives »`possible de X et les plus « explicatives » possible de Y


2. effectuer la régression de Y sur ces composantes


3. exprimer les coefficients de la régression en fonction des variables « prédictives » elles mêmes.

Choix des composantes significatives par validation croisée
Gestion des valeurs manquantes.

- Méthodes de filtrage des données : OSC, OPLS

- Régression PLS2 - Méthode "prédictive"
Méthode robuste de modélisation d'un tableau comportant plusieurs variables « à prédire » Y en fonction d'un tableau de variables « prédictives » X basée sur un algorithme dérivé de N.I.P.A.L.S.

- Analyse Discriminante P.L.S. - Méthode "prédictive"
Extension de la Régression P.L.S. au cas où le tableau des variables « à prédire » Y est constitué des indicatrices binaires des modalités d'une variable qualitative.

- Méthode S.I.M.C.A.(Soft Independant Modelling by Class Analogy) - Méthode "prédictive"
Cette alternative originale à l'Analyse Discriminante permet, après avoir caractérisé des classes prédéfinies d'observations en fonction d'un ensemble de variables « descriptives », de « prévoir » la probabilité d'appartenance à chaque classe de nouvelles observations « décrites » par le même ensemble de variables.
La phase de caractérisation consiste à réaliser une A.C.P. de chaque classe en utilisant l'algorithme N.I.P.A.L.S.
La phase « prédictive » consiste à calculer la distance entre chaque observation nouvelle et le modèle d'A.C.P. de chaque classe, et d'estimer la probabilité correspondante. Cette méthode permet de repérer des observations qui n'appartiennent à aucune des classes prédéfinies.

- L'approche PLS

- Application à l'analyse sensorielle

- La régression logistique PLS