Light version of PLS_glm for cross validation purposes either on
complete or incomplete datasets.
Usage
PLS_glm_wvc(
dataY,
dataX,
nt = 2,
dataPredictY = dataX,
modele = "pls",
family = NULL,
scaleX = TRUE,
scaleY = NULL,
keepcoeffs = FALSE,
keepstd.coeffs = FALSE,
tol_Xi = 10^(-12),
weights,
method = "logistic",
fit_backend = "stats",
verbose = TRUE
)Arguments
- dataY
response (training) dataset
- dataX
predictor(s) (training) dataset
- nt
number of components to be extracted
- dataPredictY
predictor(s) (testing) dataset
- modele
name of the PLS glm model to be fitted (
"pls","pls-glm-Gamma","pls-glm-gaussian","pls-glm-inverse.gaussian","pls-glm-logistic","pls-glm-poisson","pls-glm-polr"). Use"modele=pls-glm-family"to enable thefamilyoption.- family
a description of the error distribution and link function to be used in the model. This can be a character string naming a family function, a family function or the result of a call to a family function. (See
familyfor details of family functions.) To use the family option, please setmodele="pls-glm-family". User defined families can also be defined. See details.- scaleX
scale the predictor(s) : must be set to TRUE for
modele="pls"and should be for glms pls.- scaleY
scale the response : Yes/No. Ignored since non always possible for glm responses.
- keepcoeffs
whether the coefficients of the linear fit on link scale of unstandardized eXplanatory variables should be returned or not.
- keepstd.coeffs
whether the coefficients of the linear fit on link scale of standardized eXplanatory variables should be returned or not.
- tol_Xi
minimal value for Norm2(Xi) and \(\mathrm{det}(pp' \times pp)\) if there is any missing value in the
dataX. It defaults to \(10^{-12}\)- weights
an optional vector of 'prior weights' to be used in the fitting process. Should be
NULLor a numeric vector.- method
logistic, probit, complementary log-log or cauchit (corresponding to a Cauchy latent variable).
- fit_backend
backend used for repeated non-ordinal score-space GLM fits. Use
"stats"for the compatibility path or"fastglm"to opt into the accelerated complete-data backend. Unsupported cases fall back to"stats"with a warning.- verbose
should info messages be displayed ?
Value
- valsPredict
nrow(dataPredictY) * ntmatrix of the predicted values- list("coeffs")
If the coefficients of the eXplanatory variables were requested:
i.e.keepcoeffs=TRUE.ncol(dataX) * 1matrix of the coefficients of the the eXplanatory variables
Details
This function is called by PLS_glm_kfoldcv_formula in order to
perform cross-validation either on complete or incomplete datasets.
There are seven different predefined models with predefined link functions available :
- list("\"pls\"")
ordinary pls models
- list("\"pls-glm-Gamma\"")
glm gaussian with inverse link pls models
- list("\"pls-glm-gaussian\"")
glm gaussian with identity link pls models
- list("\"pls-glm-inverse-gamma\"")
glm binomial with square inverse link pls models
- list("\"pls-glm-logistic\"")
glm binomial with logit link pls models
- list("\"pls-glm-poisson\"")
glm poisson with log link pls models
- list("\"pls-glm-polr\"")
glm polr with logit link pls models
Using the "family=" option and setting
"modele=pls-glm-family" allows changing the family and link function
the same way as for the glm function. As a consequence
user-specified families can also be used.
- The
accepts the links (as names)
identity,logandinverse.- list("gaussian")
accepts the links (as names)
identity,logandinverse.- family
accepts the links (as names)
identity,logandinverse.- The
accepts the links
logit,probit,cauchit, (corresponding to logistic, normal and Cauchy CDFs respectively)logandcloglog(complementary log-log).- list("binomial")
accepts the links
logit,probit,cauchit, (corresponding to logistic, normal and Cauchy CDFs respectively)logandcloglog(complementary log-log).- family
accepts the links
logit,probit,cauchit, (corresponding to logistic, normal and Cauchy CDFs respectively)logandcloglog(complementary log-log).- The
accepts the links
inverse,identityandlog.- list("Gamma")
accepts the links
inverse,identityandlog.- family
accepts the links
inverse,identityandlog.- The
accepts the links
log,identity, andsqrt.- list("poisson")
accepts the links
log,identity, andsqrt.- family
accepts the links
log,identity, andsqrt.- The
accepts the links
1/mu^2,inverse,identityandlog.- list("inverse.gaussian")
accepts the links
1/mu^2,inverse,identityandlog.- family
accepts the links
1/mu^2,inverse,identityandlog.- The
accepts the links
logit,probit,cloglog,identity,inverse,log,1/mu^2andsqrt.- list("quasi")
accepts the links
logit,probit,cloglog,identity,inverse,log,1/mu^2andsqrt.- family
accepts the links
logit,probit,cloglog,identity,inverse,log,1/mu^2andsqrt.- The function
can be used to create a power link function.
- list("power")
can be used to create a power link function.
Non-NULL weights can be used to indicate that different observations have different dispersions (with the values in weights being inversely proportional to the dispersions); or equivalently, when the elements of weights are positive integers w_i, that each response y_i is the mean of w_i unit-weight observations.
References
Nicolas Meyer, Myriam Maumy-Bertrand et Frédéric Bertrand (2010). Comparing the linear and the logistic PLS regression with qualitative predictors: application to allelotyping data. Journal de la Societe Francaise de Statistique, 151(2), pages 1-18. https://www.numdam.org/item/JSFS_2010__151_2_1_0/
See also
PLS_glm for more detailed results,
PLS_glm_kfoldcv for cross-validating models and
PLS_lm_wvc for the same function dedicated to plsR models
Author
Frédéric Bertrand
frederic.bertrand@lecnam.net
https://fbertran.github.io/homepage/
Examples
data(Cornell)
XCornell<-Cornell[,1:7]
yCornell<-Cornell[,8]
PLS_glm_wvc(dataY=yCornell,dataX=XCornell,nt=3,modele="pls-glm-gaussian",
dataPredictY=XCornell[1,])
#> ____************************************************____
#>
#> Family: gaussian
#> Link function: identity
#>
#> ____Predicting X without NA neither in X nor in Y____
#> ____Component____ 1 ____
#> ____Component____ 2 ____
#> ____Component____ 3 ____
#> ****________________________________________________****
#>
#> $valsPredict
#> [,1] [,2] [,3]
#> 1 NA NA NA
#>
PLS_glm_wvc(dataY=yCornell,dataX=XCornell,nt=3,modele="pls-glm-family",
family=gaussian(),dataPredictY=XCornell[1,], verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3]
#> 1 NA NA NA
#>
PLS_glm_wvc(dataY=yCornell[-1],dataX=XCornell[-1,],nt=3,modele="pls-glm-gaussian",
dataPredictY=XCornell[1,], verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3]
#> 1 NA NA NA
#>
PLS_glm_wvc(dataY=yCornell[-1],dataX=XCornell[-1,],nt=3,modele="pls-glm-family",
family=gaussian(),dataPredictY=XCornell[1,], verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3]
#> 1 NA NA NA
#>
rm("XCornell","yCornell")
# \donttest{
## With an incomplete dataset (X[1,2] is NA)
data(pine)
ypine <- pine[,11]
data(XpineNAX21)
PLS_glm_wvc(dataY=ypine,dataX=XpineNAX21,nt=10,modele="pls-glm-gaussian")
#> ____************************************************____
#> Only naive DoF can be used with missing data
#>
#> Family: gaussian
#> Link function: identity
#>
#> ____There are some NAs in X but not in Y____
#> ____Predicting X with NA in X and not in Y____
#> ____Component____ 1 ____
#> ____Component____ 2 ____
#> ____Component____ 3 ____
#> ____Component____ 4 ____
#> ____Component____ 5 ____
#> ____Component____ 6 ____
#> ____Component____ 7 ____
#> ____Component____ 8 ____
#> ____Component____ 9 ____
#> Warning : reciprocal condition number of t(cbind(res$pp,temppp)[XXNA[1,],,drop=FALSE])%*%cbind(res$pp,temppp)[XXNA[1,],,drop=FALSE] < 10^{-12}
#> Warning only 9 components could thus be extracted
#> ****________________________________________________****
#>
#> $valsPredict
#> [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9]
#> [1,] NA NA NA NA NA NA NA NA NA
#> [2,] NA NA NA NA NA NA NA NA NA
#> [3,] NA NA NA NA NA NA NA NA NA
#> [4,] NA NA NA NA NA NA NA NA NA
#> [5,] NA NA NA NA NA NA NA NA NA
#> [6,] NA NA NA NA NA NA NA NA NA
#> [7,] NA NA NA NA NA NA NA NA NA
#> [8,] NA NA NA NA NA NA NA NA NA
#> [9,] NA NA NA NA NA NA NA NA NA
#> [10,] NA NA NA NA NA NA NA NA NA
#> [11,] NA NA NA NA NA NA NA NA NA
#> [12,] NA NA NA NA NA NA NA NA NA
#> [13,] NA NA NA NA NA NA NA NA NA
#> [14,] NA NA NA NA NA NA NA NA NA
#> [15,] NA NA NA NA NA NA NA NA NA
#> [16,] NA NA NA NA NA NA NA NA NA
#> [17,] NA NA NA NA NA NA NA NA NA
#> [18,] NA NA NA NA NA NA NA NA NA
#> [19,] NA NA NA NA NA NA NA NA NA
#> [20,] NA NA NA NA NA NA NA NA NA
#> [21,] NA NA NA NA NA NA NA NA NA
#> [22,] NA NA NA NA NA NA NA NA NA
#> [23,] NA NA NA NA NA NA NA NA NA
#> [24,] NA NA NA NA NA NA NA NA NA
#> [25,] NA NA NA NA NA NA NA NA NA
#> [26,] NA NA NA NA NA NA NA NA NA
#> [27,] NA NA NA NA NA NA NA NA NA
#> [28,] NA NA NA NA NA NA NA NA NA
#> [29,] NA NA NA NA NA NA NA NA NA
#> [30,] NA NA NA NA NA NA NA NA NA
#> [31,] NA NA NA NA NA NA NA NA NA
#> [32,] NA NA NA NA NA NA NA NA NA
#> [33,] NA NA NA NA NA NA NA NA NA
#>
rm("XpineNAX21","ypine")
#> Warning: object 'XpineNAX21' not found
data(pine)
Xpine<-pine[,1:10]
ypine<-pine[,11]
PLS_glm_wvc(ypine,Xpine,10,modele="pls", verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3] [,4] [,5] [,6]
#> 1 1.57673729 2.00433040 2.00216849 2.01939633 1.937245401 1.88550891
#> 2 1.01203030 1.15199511 1.11571861 1.24570213 1.235802532 1.20179188
#> 3 1.48993594 1.24149458 1.36818432 1.53585542 1.486704711 1.51671911
#> 4 0.82287026 0.63250520 0.93956109 1.04161870 1.007232341 1.04125064
#> 5 1.03843648 0.73560935 0.56129947 0.58902449 0.528441708 0.57134580
#> 6 1.35675180 1.40730081 1.25451432 1.37731103 1.366862539 1.39997555
#> 7 0.32014006 -0.32532009 -0.14347163 -0.17938500 -0.165426534 -0.11535438
#> 8 0.71839021 0.73099520 0.30866945 0.39516648 0.412751496 0.32418945
#> 9 1.48896024 1.52799376 1.67587131 1.60139990 1.652717167 1.65007715
#> 10 0.99804354 0.88959103 0.97569244 0.86352520 0.947912813 0.94847153
#> 11 0.43405362 0.86608054 0.97012047 0.64182858 0.616856901 0.63882421
#> 12 -0.07021385 0.26999887 0.59312200 0.92157715 1.008253831 0.98380367
#> 13 1.76424139 1.90090137 2.11336407 2.19169300 2.166416346 2.19486369
#> 14 1.37638458 1.70611149 1.58504677 1.84688715 1.857927378 1.90455582
#> 15 1.29114690 1.38753932 1.35365960 1.43462512 1.476219895 1.51027552
#> 16 -0.31402446 -0.47052602 -0.50369169 -0.48552205 -0.489472457 -0.51351160
#> 17 0.07868727 0.09889902 -0.01564596 0.15763382 0.083278591 0.10574381
#> 18 1.03444868 1.14007872 1.09595610 0.88458167 0.852892800 0.78377367
#> 19 1.08137124 0.67811651 0.73915351 0.82968208 0.879143668 0.88040097
#> 20 0.27838475 0.03080907 -0.03681897 -0.06160100 -0.054332827 -0.07763891
#> 21 0.04732997 0.24640318 0.51964685 0.71563687 0.653313657 0.61594736
#> 22 0.64993047 0.65252960 0.76864397 0.76705111 0.732874483 0.71165796
#> 23 0.91576469 0.95152885 0.70877390 0.68206508 0.726537887 0.71111241
#> 24 0.28714240 0.25747771 0.32732647 0.36607751 0.340816493 0.27266379
#> 25 0.55621083 0.20897499 -0.13621852 -0.01161858 -0.029168653 -0.04249364
#> 26 0.92489518 0.94649310 0.77909889 0.64060202 0.670826485 0.67364464
#> 27 0.01702572 0.38181268 0.20327363 0.07976920 0.023726459 0.15754257
#> 28 1.54352449 1.13003525 1.14773845 0.98446655 0.935861794 0.90956750
#> 29 1.45181367 1.42783969 1.54487387 1.46033916 1.495705868 1.51049933
#> 30 0.73123225 0.66412607 0.84569291 0.49408354 0.482259156 0.42326984
#> 31 0.98197420 1.24443724 1.14351551 1.31718138 1.406786445 1.39942166
#> 32 0.66850881 0.94811355 0.92220097 0.50456716 0.531183973 0.55048739
#> 33 0.21787107 0.10572384 0.04295933 -0.08122119 -0.008152348 0.04161271
#> [,7] [,8] [,9] [,10]
#> 1 1.95676227 1.948450849 1.93896093 1.94144962
#> 2 1.21592652 1.235442425 1.24794773 1.24303207
#> 3 1.54977163 1.524520187 1.53266664 1.53900851
#> 4 1.05581321 1.021862826 1.03178760 1.03548430
#> 5 0.58624206 0.562391104 0.56933856 0.58993331
#> 6 1.38175170 1.360508864 1.35664763 1.36575593
#> 7 -0.07128741 -0.047428997 -0.05482975 -0.06507565
#> 8 0.35423193 0.306999026 0.28300642 0.26870841
#> 9 1.63319069 1.631509959 1.64240206 1.64555642
#> 10 0.90453538 0.837015730 0.82600711 0.82493397
#> 11 0.66440603 0.619480777 0.61806414 0.61605314
#> 12 1.06477362 1.031255436 1.02700955 1.02592619
#> 13 2.16399005 2.163911302 2.15049944 2.14429918
#> 14 1.84909183 1.845501860 1.84534215 1.84361941
#> 15 1.53220512 1.567310225 1.56848600 1.56902383
#> 16 -0.51165239 -0.500336508 -0.52095379 -0.50662867
#> 17 0.01828375 -0.002607768 0.01667444 -0.02206645
#> 18 0.88281941 0.918670514 0.94195909 0.93284893
#> 19 0.88632519 0.909007733 0.91379654 0.90631555
#> 20 -0.03748213 -0.025963454 -0.03697219 -0.04597628
#> 21 0.56329746 0.606867697 0.60725951 0.63204655
#> 22 0.71534817 0.734795585 0.73328612 0.71985709
#> 23 0.66101344 0.690882417 0.69856666 0.69360847
#> 24 0.17883038 0.221072111 0.21360194 0.22005958
#> 25 -0.02445300 -0.070467998 -0.05897223 -0.03210573
#> 26 0.69268993 0.763387338 0.78043784 0.79028544
#> 27 0.19700010 0.215177839 0.20405047 0.19800511
#> 28 0.87932761 0.893834308 0.86843397 0.85997782
#> 29 1.52036274 1.552065698 1.53445170 1.53023569
#> 30 0.38164488 0.326448839 0.35187384 0.34979385
#> 31 1.37872533 1.385981563 1.39371317 1.39564352
#> 32 0.49904917 0.493233383 0.48196396 0.49873722
#> 33 0.04746533 0.049219132 0.06349274 0.06165365
#>
PLS_glm_wvc(ypine,Xpine,10,modele="pls-glm-Gamma", verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
#> 1 NA NA NA NA NA NA NA NA NA NA
#> 2 NA NA NA NA NA NA NA NA NA NA
#> 3 NA NA NA NA NA NA NA NA NA NA
#> 4 NA NA NA NA NA NA NA NA NA NA
#> 5 NA NA NA NA NA NA NA NA NA NA
#> 6 NA NA NA NA NA NA NA NA NA NA
#> 7 NA NA NA NA NA NA NA NA NA NA
#> 8 NA NA NA NA NA NA NA NA NA NA
#> 9 NA NA NA NA NA NA NA NA NA NA
#> 10 NA NA NA NA NA NA NA NA NA NA
#> 11 NA NA NA NA NA NA NA NA NA NA
#> 12 NA NA NA NA NA NA NA NA NA NA
#> 13 NA NA NA NA NA NA NA NA NA NA
#> 14 NA NA NA NA NA NA NA NA NA NA
#> 15 NA NA NA NA NA NA NA NA NA NA
#> 16 NA NA NA NA NA NA NA NA NA NA
#> 17 NA NA NA NA NA NA NA NA NA NA
#> 18 NA NA NA NA NA NA NA NA NA NA
#> 19 NA NA NA NA NA NA NA NA NA NA
#> 20 NA NA NA NA NA NA NA NA NA NA
#> 21 NA NA NA NA NA NA NA NA NA NA
#> 22 NA NA NA NA NA NA NA NA NA NA
#> 23 NA NA NA NA NA NA NA NA NA NA
#> 24 NA NA NA NA NA NA NA NA NA NA
#> 25 NA NA NA NA NA NA NA NA NA NA
#> 26 NA NA NA NA NA NA NA NA NA NA
#> 27 NA NA NA NA NA NA NA NA NA NA
#> 28 NA NA NA NA NA NA NA NA NA NA
#> 29 NA NA NA NA NA NA NA NA NA NA
#> 30 NA NA NA NA NA NA NA NA NA NA
#> 31 NA NA NA NA NA NA NA NA NA NA
#> 32 NA NA NA NA NA NA NA NA NA NA
#> 33 NA NA NA NA NA NA NA NA NA NA
#>
PLS_glm_wvc(ypine,Xpine,10,modele="pls-glm-family",family=Gamma(), verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
#> 1 NA NA NA NA NA NA NA NA NA NA
#> 2 NA NA NA NA NA NA NA NA NA NA
#> 3 NA NA NA NA NA NA NA NA NA NA
#> 4 NA NA NA NA NA NA NA NA NA NA
#> 5 NA NA NA NA NA NA NA NA NA NA
#> 6 NA NA NA NA NA NA NA NA NA NA
#> 7 NA NA NA NA NA NA NA NA NA NA
#> 8 NA NA NA NA NA NA NA NA NA NA
#> 9 NA NA NA NA NA NA NA NA NA NA
#> 10 NA NA NA NA NA NA NA NA NA NA
#> 11 NA NA NA NA NA NA NA NA NA NA
#> 12 NA NA NA NA NA NA NA NA NA NA
#> 13 NA NA NA NA NA NA NA NA NA NA
#> 14 NA NA NA NA NA NA NA NA NA NA
#> 15 NA NA NA NA NA NA NA NA NA NA
#> 16 NA NA NA NA NA NA NA NA NA NA
#> 17 NA NA NA NA NA NA NA NA NA NA
#> 18 NA NA NA NA NA NA NA NA NA NA
#> 19 NA NA NA NA NA NA NA NA NA NA
#> 20 NA NA NA NA NA NA NA NA NA NA
#> 21 NA NA NA NA NA NA NA NA NA NA
#> 22 NA NA NA NA NA NA NA NA NA NA
#> 23 NA NA NA NA NA NA NA NA NA NA
#> 24 NA NA NA NA NA NA NA NA NA NA
#> 25 NA NA NA NA NA NA NA NA NA NA
#> 26 NA NA NA NA NA NA NA NA NA NA
#> 27 NA NA NA NA NA NA NA NA NA NA
#> 28 NA NA NA NA NA NA NA NA NA NA
#> 29 NA NA NA NA NA NA NA NA NA NA
#> 30 NA NA NA NA NA NA NA NA NA NA
#> 31 NA NA NA NA NA NA NA NA NA NA
#> 32 NA NA NA NA NA NA NA NA NA NA
#> 33 NA NA NA NA NA NA NA NA NA NA
#>
PLS_glm_wvc(ypine,Xpine,10,modele="pls-glm-gaussian", verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
#> 1 NA NA NA NA NA NA NA NA NA NA
#> 2 NA NA NA NA NA NA NA NA NA NA
#> 3 NA NA NA NA NA NA NA NA NA NA
#> 4 NA NA NA NA NA NA NA NA NA NA
#> 5 NA NA NA NA NA NA NA NA NA NA
#> 6 NA NA NA NA NA NA NA NA NA NA
#> 7 NA NA NA NA NA NA NA NA NA NA
#> 8 NA NA NA NA NA NA NA NA NA NA
#> 9 NA NA NA NA NA NA NA NA NA NA
#> 10 NA NA NA NA NA NA NA NA NA NA
#> 11 NA NA NA NA NA NA NA NA NA NA
#> 12 NA NA NA NA NA NA NA NA NA NA
#> 13 NA NA NA NA NA NA NA NA NA NA
#> 14 NA NA NA NA NA NA NA NA NA NA
#> 15 NA NA NA NA NA NA NA NA NA NA
#> 16 NA NA NA NA NA NA NA NA NA NA
#> 17 NA NA NA NA NA NA NA NA NA NA
#> 18 NA NA NA NA NA NA NA NA NA NA
#> 19 NA NA NA NA NA NA NA NA NA NA
#> 20 NA NA NA NA NA NA NA NA NA NA
#> 21 NA NA NA NA NA NA NA NA NA NA
#> 22 NA NA NA NA NA NA NA NA NA NA
#> 23 NA NA NA NA NA NA NA NA NA NA
#> 24 NA NA NA NA NA NA NA NA NA NA
#> 25 NA NA NA NA NA NA NA NA NA NA
#> 26 NA NA NA NA NA NA NA NA NA NA
#> 27 NA NA NA NA NA NA NA NA NA NA
#> 28 NA NA NA NA NA NA NA NA NA NA
#> 29 NA NA NA NA NA NA NA NA NA NA
#> 30 NA NA NA NA NA NA NA NA NA NA
#> 31 NA NA NA NA NA NA NA NA NA NA
#> 32 NA NA NA NA NA NA NA NA NA NA
#> 33 NA NA NA NA NA NA NA NA NA NA
#>
PLS_glm_wvc(ypine,Xpine,10,modele="pls-glm-family",family=gaussian(log), verbose=FALSE)
#> Warning: glm.fit: algorithm did not converge
#> $valsPredict
#> [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
#> 1 NA NA NA NA NA NA NA NA NA NA
#> 2 NA NA NA NA NA NA NA NA NA NA
#> 3 NA NA NA NA NA NA NA NA NA NA
#> 4 NA NA NA NA NA NA NA NA NA NA
#> 5 NA NA NA NA NA NA NA NA NA NA
#> 6 NA NA NA NA NA NA NA NA NA NA
#> 7 NA NA NA NA NA NA NA NA NA NA
#> 8 NA NA NA NA NA NA NA NA NA NA
#> 9 NA NA NA NA NA NA NA NA NA NA
#> 10 NA NA NA NA NA NA NA NA NA NA
#> 11 NA NA NA NA NA NA NA NA NA NA
#> 12 NA NA NA NA NA NA NA NA NA NA
#> 13 NA NA NA NA NA NA NA NA NA NA
#> 14 NA NA NA NA NA NA NA NA NA NA
#> 15 NA NA NA NA NA NA NA NA NA NA
#> 16 NA NA NA NA NA NA NA NA NA NA
#> 17 NA NA NA NA NA NA NA NA NA NA
#> 18 NA NA NA NA NA NA NA NA NA NA
#> 19 NA NA NA NA NA NA NA NA NA NA
#> 20 NA NA NA NA NA NA NA NA NA NA
#> 21 NA NA NA NA NA NA NA NA NA NA
#> 22 NA NA NA NA NA NA NA NA NA NA
#> 23 NA NA NA NA NA NA NA NA NA NA
#> 24 NA NA NA NA NA NA NA NA NA NA
#> 25 NA NA NA NA NA NA NA NA NA NA
#> 26 NA NA NA NA NA NA NA NA NA NA
#> 27 NA NA NA NA NA NA NA NA NA NA
#> 28 NA NA NA NA NA NA NA NA NA NA
#> 29 NA NA NA NA NA NA NA NA NA NA
#> 30 NA NA NA NA NA NA NA NA NA NA
#> 31 NA NA NA NA NA NA NA NA NA NA
#> 32 NA NA NA NA NA NA NA NA NA NA
#> 33 NA NA NA NA NA NA NA NA NA NA
#>
PLS_glm_wvc(round(ypine),Xpine,10,modele="pls-glm-poisson", verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
#> 1 NA NA NA NA NA NA NA NA NA NA
#> 2 NA NA NA NA NA NA NA NA NA NA
#> 3 NA NA NA NA NA NA NA NA NA NA
#> 4 NA NA NA NA NA NA NA NA NA NA
#> 5 NA NA NA NA NA NA NA NA NA NA
#> 6 NA NA NA NA NA NA NA NA NA NA
#> 7 NA NA NA NA NA NA NA NA NA NA
#> 8 NA NA NA NA NA NA NA NA NA NA
#> 9 NA NA NA NA NA NA NA NA NA NA
#> 10 NA NA NA NA NA NA NA NA NA NA
#> 11 NA NA NA NA NA NA NA NA NA NA
#> 12 NA NA NA NA NA NA NA NA NA NA
#> 13 NA NA NA NA NA NA NA NA NA NA
#> 14 NA NA NA NA NA NA NA NA NA NA
#> 15 NA NA NA NA NA NA NA NA NA NA
#> 16 NA NA NA NA NA NA NA NA NA NA
#> 17 NA NA NA NA NA NA NA NA NA NA
#> 18 NA NA NA NA NA NA NA NA NA NA
#> 19 NA NA NA NA NA NA NA NA NA NA
#> 20 NA NA NA NA NA NA NA NA NA NA
#> 21 NA NA NA NA NA NA NA NA NA NA
#> 22 NA NA NA NA NA NA NA NA NA NA
#> 23 NA NA NA NA NA NA NA NA NA NA
#> 24 NA NA NA NA NA NA NA NA NA NA
#> 25 NA NA NA NA NA NA NA NA NA NA
#> 26 NA NA NA NA NA NA NA NA NA NA
#> 27 NA NA NA NA NA NA NA NA NA NA
#> 28 NA NA NA NA NA NA NA NA NA NA
#> 29 NA NA NA NA NA NA NA NA NA NA
#> 30 NA NA NA NA NA NA NA NA NA NA
#> 31 NA NA NA NA NA NA NA NA NA NA
#> 32 NA NA NA NA NA NA NA NA NA NA
#> 33 NA NA NA NA NA NA NA NA NA NA
#>
PLS_glm_wvc(round(ypine),Xpine,10,modele="pls-glm-family",family=poisson(log), verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
#> 1 NA NA NA NA NA NA NA NA NA NA
#> 2 NA NA NA NA NA NA NA NA NA NA
#> 3 NA NA NA NA NA NA NA NA NA NA
#> 4 NA NA NA NA NA NA NA NA NA NA
#> 5 NA NA NA NA NA NA NA NA NA NA
#> 6 NA NA NA NA NA NA NA NA NA NA
#> 7 NA NA NA NA NA NA NA NA NA NA
#> 8 NA NA NA NA NA NA NA NA NA NA
#> 9 NA NA NA NA NA NA NA NA NA NA
#> 10 NA NA NA NA NA NA NA NA NA NA
#> 11 NA NA NA NA NA NA NA NA NA NA
#> 12 NA NA NA NA NA NA NA NA NA NA
#> 13 NA NA NA NA NA NA NA NA NA NA
#> 14 NA NA NA NA NA NA NA NA NA NA
#> 15 NA NA NA NA NA NA NA NA NA NA
#> 16 NA NA NA NA NA NA NA NA NA NA
#> 17 NA NA NA NA NA NA NA NA NA NA
#> 18 NA NA NA NA NA NA NA NA NA NA
#> 19 NA NA NA NA NA NA NA NA NA NA
#> 20 NA NA NA NA NA NA NA NA NA NA
#> 21 NA NA NA NA NA NA NA NA NA NA
#> 22 NA NA NA NA NA NA NA NA NA NA
#> 23 NA NA NA NA NA NA NA NA NA NA
#> 24 NA NA NA NA NA NA NA NA NA NA
#> 25 NA NA NA NA NA NA NA NA NA NA
#> 26 NA NA NA NA NA NA NA NA NA NA
#> 27 NA NA NA NA NA NA NA NA NA NA
#> 28 NA NA NA NA NA NA NA NA NA NA
#> 29 NA NA NA NA NA NA NA NA NA NA
#> 30 NA NA NA NA NA NA NA NA NA NA
#> 31 NA NA NA NA NA NA NA NA NA NA
#> 32 NA NA NA NA NA NA NA NA NA NA
#> 33 NA NA NA NA NA NA NA NA NA NA
#>
rm(list=c("pine","ypine","Xpine"))
#> Warning: object 'pine' not found
data(Cornell)
XCornell<-Cornell[,1:7]
yCornell<-Cornell[,8]
PLS_glm_wvc(yCornell,XCornell,10,modele="pls-glm-inverse.gaussian", verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3] [,4] [,5] [,6]
#> 1 NA NA NA NA NA NA
#> 2 NA NA NA NA NA NA
#> 3 NA NA NA NA NA NA
#> 4 NA NA NA NA NA NA
#> 5 NA NA NA NA NA NA
#> 6 NA NA NA NA NA NA
#> 7 NA NA NA NA NA NA
#> 8 NA NA NA NA NA NA
#> 9 NA NA NA NA NA NA
#> 10 NA NA NA NA NA NA
#> 11 NA NA NA NA NA NA
#> 12 NA NA NA NA NA NA
#>
PLS_glm_wvc(yCornell,XCornell,10,modele="pls-glm-family",
family=inverse.gaussian(), verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3] [,4] [,5] [,6]
#> 1 NA NA NA NA NA NA
#> 2 NA NA NA NA NA NA
#> 3 NA NA NA NA NA NA
#> 4 NA NA NA NA NA NA
#> 5 NA NA NA NA NA NA
#> 6 NA NA NA NA NA NA
#> 7 NA NA NA NA NA NA
#> 8 NA NA NA NA NA NA
#> 9 NA NA NA NA NA NA
#> 10 NA NA NA NA NA NA
#> 11 NA NA NA NA NA NA
#> 12 NA NA NA NA NA NA
#>
rm(list=c("XCornell","yCornell"))
data(Cornell)
XCornell<-Cornell[,1:7]
yCornell<-Cornell[,8]
PLS_glm_wvc(dataY=yCornell,dataX=XCornell,nt=3,modele="pls-glm-gaussian",
dataPredictY=XCornell[1,], verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3]
#> 1 NA NA NA
#>
PLS_glm_wvc(dataY=yCornell[-1],dataX=XCornell[-1,],nt=3,modele="pls-glm-gaussian",
dataPredictY=XCornell[1,], verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3]
#> 1 NA NA NA
#>
rm("XCornell","yCornell")
data(aze_compl)
Xaze_compl<-aze_compl[,2:34]
yaze_compl<-aze_compl$y
PLS_glm(yaze_compl,Xaze_compl,10,modele="pls-glm-logistic",typeVC="none", verbose=FALSE)$InfCrit
#> AIC BIC Missclassed Chi2_Pearson_Y RSS_Y R2_Y
#> Nb_Comp_0 145.8283 148.4727 49 104.00000 25.91346 NA
#> Nb_Comp_1 118.1398 123.4285 28 100.53823 19.32272 0.2543365
#> Nb_Comp_2 109.9553 117.8885 26 99.17955 17.33735 0.3309519
#> Nb_Comp_3 105.1591 115.7366 22 123.37836 15.58198 0.3986915
#> Nb_Comp_4 103.8382 117.0601 21 114.77551 15.14046 0.4157299
#> Nb_Comp_5 104.7338 120.6001 21 105.35382 15.08411 0.4179043
#> Nb_Comp_6 105.6770 124.1878 21 98.87767 14.93200 0.4237744
#> Nb_Comp_7 107.2828 128.4380 20 97.04072 14.87506 0.4259715
#> Nb_Comp_8 109.0172 132.8167 22 98.90110 14.84925 0.4269676
#> Nb_Comp_9 110.9354 137.3793 21 100.35563 14.84317 0.4272022
#> Nb_Comp_10 112.9021 141.9904 20 102.85214 14.79133 0.4292027
#> R2_residY RSS_residY
#> Nb_Comp_0 NA 25.91346
#> Nb_Comp_1 -6.004879 181.52066
#> Nb_Comp_2 -9.617595 275.13865
#> Nb_Comp_3 -12.332217 345.48389
#> Nb_Comp_4 -15.496383 427.47839
#> Nb_Comp_5 -15.937183 438.90105
#> Nb_Comp_6 -16.700929 458.69233
#> Nb_Comp_7 -16.908851 464.08033
#> Nb_Comp_8 -17.555867 480.84675
#> Nb_Comp_9 -17.834439 488.06552
#> Nb_Comp_10 -17.999267 492.33678
PLS_glm_wvc(yaze_compl,Xaze_compl,10,modele="pls-glm-logistic", keepcoeffs=TRUE, verbose=FALSE)
#> $valsPredict
#> [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
#> 1 NA NA NA NA NA NA NA NA NA NA
#> 2 NA NA NA NA NA NA NA NA NA NA
#> 3 NA NA NA NA NA NA NA NA NA NA
#> 4 NA NA NA NA NA NA NA NA NA NA
#> 5 NA NA NA NA NA NA NA NA NA NA
#> 6 NA NA NA NA NA NA NA NA NA NA
#> 7 NA NA NA NA NA NA NA NA NA NA
#> 8 NA NA NA NA NA NA NA NA NA NA
#> 9 NA NA NA NA NA NA NA NA NA NA
#> 10 NA NA NA NA NA NA NA NA NA NA
#> 11 NA NA NA NA NA NA NA NA NA NA
#> 12 NA NA NA NA NA NA NA NA NA NA
#> 13 NA NA NA NA NA NA NA NA NA NA
#> 14 NA NA NA NA NA NA NA NA NA NA
#> 15 NA NA NA NA NA NA NA NA NA NA
#> 16 NA NA NA NA NA NA NA NA NA NA
#> 17 NA NA NA NA NA NA NA NA NA NA
#> 18 NA NA NA NA NA NA NA NA NA NA
#> 19 NA NA NA NA NA NA NA NA NA NA
#> 20 NA NA NA NA NA NA NA NA NA NA
#> 21 NA NA NA NA NA NA NA NA NA NA
#> 22 NA NA NA NA NA NA NA NA NA NA
#> 23 NA NA NA NA NA NA NA NA NA NA
#> 24 NA NA NA NA NA NA NA NA NA NA
#> 25 NA NA NA NA NA NA NA NA NA NA
#> 26 NA NA NA NA NA NA NA NA NA NA
#> 27 NA NA NA NA NA NA NA NA NA NA
#> 28 NA NA NA NA NA NA NA NA NA NA
#> 29 NA NA NA NA NA NA NA NA NA NA
#> 30 NA NA NA NA NA NA NA NA NA NA
#> 31 NA NA NA NA NA NA NA NA NA NA
#> 32 NA NA NA NA NA NA NA NA NA NA
#> 33 NA NA NA NA NA NA NA NA NA NA
#> 34 NA NA NA NA NA NA NA NA NA NA
#> 35 NA NA NA NA NA NA NA NA NA NA
#> 36 NA NA NA NA NA NA NA NA NA NA
#> 37 NA NA NA NA NA NA NA NA NA NA
#> 38 NA NA NA NA NA NA NA NA NA NA
#> 39 NA NA NA NA NA NA NA NA NA NA
#> 40 NA NA NA NA NA NA NA NA NA NA
#> 41 NA NA NA NA NA NA NA NA NA NA
#> 42 NA NA NA NA NA NA NA NA NA NA
#> 43 NA NA NA NA NA NA NA NA NA NA
#> 44 NA NA NA NA NA NA NA NA NA NA
#> 45 NA NA NA NA NA NA NA NA NA NA
#> 46 NA NA NA NA NA NA NA NA NA NA
#> 47 NA NA NA NA NA NA NA NA NA NA
#> 48 NA NA NA NA NA NA NA NA NA NA
#> 49 NA NA NA NA NA NA NA NA NA NA
#> 50 NA NA NA NA NA NA NA NA NA NA
#> 51 NA NA NA NA NA NA NA NA NA NA
#> 52 NA NA NA NA NA NA NA NA NA NA
#> 53 NA NA NA NA NA NA NA NA NA NA
#> 54 NA NA NA NA NA NA NA NA NA NA
#> 55 NA NA NA NA NA NA NA NA NA NA
#> 56 NA NA NA NA NA NA NA NA NA NA
#> 57 NA NA NA NA NA NA NA NA NA NA
#> 58 NA NA NA NA NA NA NA NA NA NA
#> 59 NA NA NA NA NA NA NA NA NA NA
#> 60 NA NA NA NA NA NA NA NA NA NA
#> 61 NA NA NA NA NA NA NA NA NA NA
#> 62 NA NA NA NA NA NA NA NA NA NA
#> 63 NA NA NA NA NA NA NA NA NA NA
#> 64 NA NA NA NA NA NA NA NA NA NA
#> 65 NA NA NA NA NA NA NA NA NA NA
#> 66 NA NA NA NA NA NA NA NA NA NA
#> 67 NA NA NA NA NA NA NA NA NA NA
#> 68 NA NA NA NA NA NA NA NA NA NA
#> 69 NA NA NA NA NA NA NA NA NA NA
#> 70 NA NA NA NA NA NA NA NA NA NA
#> 71 NA NA NA NA NA NA NA NA NA NA
#> 72 NA NA NA NA NA NA NA NA NA NA
#> 73 NA NA NA NA NA NA NA NA NA NA
#> 74 NA NA NA NA NA NA NA NA NA NA
#> 75 NA NA NA NA NA NA NA NA NA NA
#> 76 NA NA NA NA NA NA NA NA NA NA
#> 77 NA NA NA NA NA NA NA NA NA NA
#> 78 NA NA NA NA NA NA NA NA NA NA
#> 79 NA NA NA NA NA NA NA NA NA NA
#> 80 NA NA NA NA NA NA NA NA NA NA
#> 81 NA NA NA NA NA NA NA NA NA NA
#> 82 NA NA NA NA NA NA NA NA NA NA
#> 83 NA NA NA NA NA NA NA NA NA NA
#> 84 NA NA NA NA NA NA NA NA NA NA
#> 85 NA NA NA NA NA NA NA NA NA NA
#> 86 NA NA NA NA NA NA NA NA NA NA
#> 87 NA NA NA NA NA NA NA NA NA NA
#> 88 NA NA NA NA NA NA NA NA NA NA
#> 89 NA NA NA NA NA NA NA NA NA NA
#> 90 NA NA NA NA NA NA NA NA NA NA
#> 91 NA NA NA NA NA NA NA NA NA NA
#> 92 NA NA NA NA NA NA NA NA NA NA
#> 93 NA NA NA NA NA NA NA NA NA NA
#> 94 NA NA NA NA NA NA NA NA NA NA
#> 95 NA NA NA NA NA NA NA NA NA NA
#> 96 NA NA NA NA NA NA NA NA NA NA
#> 97 NA NA NA NA NA NA NA NA NA NA
#> 98 NA NA NA NA NA NA NA NA NA NA
#> 99 NA NA NA NA NA NA NA NA NA NA
#> 100 NA NA NA NA NA NA NA NA NA NA
#> 101 NA NA NA NA NA NA NA NA NA NA
#> 102 NA NA NA NA NA NA NA NA NA NA
#> 103 NA NA NA NA NA NA NA NA NA NA
#> 104 NA NA NA NA NA NA NA NA NA NA
#>
#> $coeffs
#> [,1]
#> tempConstante -2.276982302
#> -1.068275295
#> 3.509231595
#> -1.651869135
#> 2.207538418
#> 0.568523938
#> -0.059691869
#> -0.214529856
#> -1.405223273
#> 0.396973880
#> -0.782167532
#> 0.677591817
#> -0.972259676
#> 0.650745841
#> 0.723667343
#> 0.477540145
#> 0.638755948
#> 1.666070158
#> -0.005938234
#> 0.482766293
#> -0.904425334
#> 0.300460249
#> 1.367992779
#> -1.201977825
#> -1.536120691
#> -1.983144986
#> 1.544435411
#> 1.410302156
#> -0.495400138
#> 0.454129717
#> 1.240250301
#> -0.222933455
#> -2.822712745
#> 0.026369914
#>
rm("Xaze_compl","yaze_compl")
# }