Возможно Вы
McConst не совсем внимательно прочитали мои сообщения
Я всё это к тому, что наверное от регрессии на главные компоненты Вам лучше отказаться, с ней не получится построить такую хорошую модель. Выходит, что в спектре очень мало значимых параметров и лучше их как то отбирать. PCR использует все 2047 каналов, и даже оптимальное число главных компонент у Вас в 3 раза больше чем в этом уравнении. Понятно, что всяких нестабильностей и шумов в PCR будет тоже намного больше. Этот метод целесообразно использовать, когда имеется много значимых параметров или, когда они сильно сопряжены. У Вас нет ни того ни другого. Переход к смещённым оценкам Вам ничего не даст.
Имеется в виду, что во всех последних моделях PCA не использовался. С ним у меня не получались такие хорошие результаты, и я пришел к выводу, что это направление бесперспективно. Я удалял фрагменты спектра, нормировал, логарифмировал, но всё равно - результаты были намного хуже чем можно получить другим путём.
Есть какой-то стандартный алгоритм перехода обратно к исходным переменным от латентных? Вообще реально там очень сложные выражения получаются. Я думаю, вы повыбрасывали малозначащие коэффициенты. Можете посоветовать ссылку на источники, где можно научиться таким приемам?
Как я уже писал, для построения моделей, пример одной из которых я привёл, использовался оригинальный алгоритм. Он устроен достаточно сложно и нигде не опубликован. Matlab - всего лишь предоставляет удобный интерфейс для загрузки данных и построения графиков. Сам по себе, этот пакет ничем не поможет.
Советую Вам посмотреть в направлении отбора признаков. Тем более, что Вы такие планы уже как то упоминали. Попробуйте шаговую регрессию (step regression), вполне возможно, что этот метод позволит построить вполне приличную модель. Этот метод много где реализован, думаю не составит большого труда найти подходящий пакет.
