Partial Least Squares Regression and Principal Components Regression Investigation Methods and Applications in Animal Husbandry

Abstract

Bu çalışmanın amacı, kıl keçilerinde bazı vücut ölçüleri ile canlı ağırlık arasındaki ilişkinin Kısmi En Küçük Kareler regresyon yöntemi kullanılarak incelenmesi ve sonuçların Temel Bileşenler regresyonu yöntemi ile karşılaştırılarak çalışma verilerini en iyi açıklayan modelin belirlenmesidir. Bu amaçla, Kısmi En Küçük Kareler ve Temel Bileşenler regresyon yöntemlerine ilişkin teorik bilgiler verilerek Kısmi En Küçük Kareler regresyon yönteminde kullanılan algoritmalar açıklanmıştır. . Çalışma verisinde yer alan açıklayıcı değişkenler arasında yüksek korelasyon olduğu ve bu veri kümesinin çoklu bağlantı problemine sahip olduğu belirlenmiştir. Çoklu bağlantı sorununun üstesinden gelebilmek amacıyla Kısmi En Küçük Kareler regresyon analizi, SIMPLS ve NIPALS algoritmaları kullanılarak yapılmış ve her iki algoritmanın aynı sonuçlar ürettiği ve iki gizil faktör seçtiği ortaya koyulmuştur. Aynı çalışma verisi için Temel Bileşenler regresyon analizi yapılmış ve iki gizil faktör seçilmiştir. Kısmi En Küçük Kareler ve Temel Bileşenler regresyonu uyum kriterleri bakımından karşılaştırılmıştır. Kısmi En Küçük Kareler regresyon yöntemi için hata kareler ortalaması, hata kareler ortalamasının karekökü ve belirleme katsayısı ve sırasıyla 0.2132, 0.4671 ve % 82.0993 ve temel bileşenler regresyon yöntemi için uyum kriterleri 0.2295, 0.4791 ve % 80.0376 olmuştur. Bu sonuç, Kısmi En Küçük Kareler regresyon yönteminin yine iki gizil faktöre sahip Temel Bileşenler regresyon analiz yönteminden daha iyi olduğunu ortaya koymuştur.The aim of this study is to examine the relationship between some body measurements and live weight in hair goats using partial least squares regression method and determine the model that best describes the study data by comparing the results with the basic components regression method. For this purpose, partial Least Squares and basic components are given theoretical information about regression methods and the algorithms used in the partial least squares regression method are explained. It was determined that there was a high correlation between the explanatory variables contained in the study data and that this dataset had a multi-link problem. In order to overcome the multiple link problem, partial least squares regression analysis was performed using the SIMPLS and NIPALS algorithms and it was revealed that both algorithms produced the same results and chose two hidden factors. For the same study data, basic components regression analysis was performed and two hidden factors were selected. Partial Least Squares and basic components were compared in terms of regression compliance criteria. Partial least squares mean of error squares for regression method, square root and determination coefficient of error squares average and 0.2132, 0.4671 and 82.0993 % respectively, and compliance criteria for basic components regression method were 0.2295, 0.4791 and 80.0376 %. This result revealed that the partial least squares regression method is again better than the basic components regression analysis method, which has two hidden factors.