1. 从“维数灾难”到“降维打击”：为什么我们需要偏最小二乘回归？

如果你做过数据分析或者机器学习项目，大概率遇到过这样的场景：手头有一堆自变量（比如影响房价的几十个因素：面积、地段、房龄、绿化率、周边学校数量……），想要预测一个或多个因变量（比如房价、租金）。你兴冲冲地跑了个多元线性回归，结果却可能让你大跌眼镜——模型要么过拟合严重，在训练集上表现完美，一到测试集就“见光死”；要么干脆因为变量间高度相关（统计学上称为多重共线性）而无法求解，软件直接报错。

这背后的核心问题，就是“维数灾难”在回归分析中的具体体现。当自变量数量多、样本量相对不足，且变量间存在复杂相关性时，传统的普通最小二乘回归就“失灵”了。它要求矩阵满秩，而共线性会破坏这个前提。主成分回归算是前进了一步，它先对自变量进行主成分分析降维，用互不相关的主成分去回归。但这个方法有个“致命伤”：它只考虑了自变量的方差结构，完全没管因变量Y的感受。换句话说，它找出的主成分，是能最好解释X变异的，但不一定是与Y最相关的。这就好比给一个饿肚子的人推荐食物，你只根据“食物颜色最鲜艳”这个标准来选，选出来的可能是一盘颜料，而不是能填饱肚子的面包。

偏最小二乘回归，正是为了解决这个痛点而生的。你可以把它理解为一种“有监督的降维”技术。它的核心思想非常巧妙：在降维时，不仅要让新生成的成分（称为潜变量或成分）尽可能好地代表原始自变量X的信息，还要让这些成分与因变量Y的相关性尽可能强。它像是在X和Y之间搭建了一座桥梁，寻找的是能同时解释X和Y变异，并且能最好地建立X与Y之间关系的那些“超级特征”。

我第一次在工业数据中应用PLSR，是为了分析一批化工产品的光谱数据（自变量是数百个波长的吸光度）与产品关键质量指标（如纯度、粘度）的关系。光谱数据维度极高，且相邻波长高度相关，用普通回归根本行不通。PLSR不仅成功构建了稳健的预测模型，其提取出的潜变量还具备明确的物理意义，对应着产品中特定化学键的振动，为工艺优化提供了直接指导。这种“既降维又关联”的能力，让PLSR在化学计量学、生物信息学、金融、社会科学等众多高维数据分析领域成为了不可或缺的工具。

2. PLSR的核心算法逻辑：一场X与Y的“共舞”

理解PLSR，关键在于理解它如何一步步提取出那些关键的潜变量。这个过程不像PCA那样是X的“独舞”，而是X和Y的“双人舞”，舞步的编排始终以最大化两者协方差为目标。

2.1 从单因变量（PLS1）看起：一个直观的迭代过程

我们先从最简单的单因变量Y（PLS1算法）入手，把多因变量的情况（PLS2）看作是它的自然扩展。假设我们有自变量矩阵X（n个样本×p个变量）和因变量向量y（n个样本×1）。

第一步：初始化。将X和y进行标准化处理（中心化，有时也进行缩放），这是为了消除量纲影响，让算法更稳定。然后，我们从最简单的假设开始：因变量y本身就可以作为对X进行“加权”的第一个方向参考。但更常见的稳健做法是，将X的每一列与y求相关系数，用相关系数向量作为初始权重w1。不过，在标准算法描述中，我们通常直接令第一个X的潜变量得分向量t1的初始值为X的某一列（如与y相关性最强的那一列），但这并不影响对本质的理解。

第二步：提取第一个潜变量。这是核心迭代中的第一步：

1. 计算权重w1：权重向量w1 = X‘ * y / ||X’ * y||。这里X‘是X的转置。这个公式的意义是什么？X’ * y 计算的是X的每一个变量与y的协方差（因为已中心化）。所以，w1本质上是一个“协方差权重”，它指向了X中那些与y协方差最大的综合方向。对w1进行归一化（除以它的模长）是为了保证后续计算的稳定性。
2. 计算得分t1：得分向量t1 = X * w1。t1就是我们提取的第一个潜变量，它是一个n×1的向量，代表了所有样本在这个新方向上的“坐标”。你可以把它想象成所有样本点在“与y最相关”的X投影轴上的位置。
3. 计算载荷p1和q1：
   • X的载荷p1 = X‘ * t1 / (t1’ * t1)。这反映了原始X变量与这个新潜变量t1之间的相关性。用t1去回归X的每一列，得到的回归系数就是p1。
   • y的载荷q1 = y‘ * t1 / (t1’ * t1)。这反映了y与这个新潜变量t1之间的相关性。用t1去回归y，得到的回归系数就是q1。
4. 计算残差：我们已经用t1解释了一部分X和y的信息，现在要把这部分信息从原始数据中“扣除”，以便寻找下一个不相关的方向。
   • X的残差：E1 = X - t1 * p1‘。这里t1 * p1’ 就是用第一个潜变量及其载荷重构的X矩阵。E1是尚未被解释的X信息。
   • y的残差：f1 = y - t1 * q1。这是尚未被解释的y信息。

第三步：重复迭代。将残差矩阵E1当作新的X，残差向量f1当作新的y，重复第二步的过程，提取第二个权重w2、得分t2、载荷p2和q2，并计算新的残差E2和f2。如此循环，直到提取出足够多的潜变量（比如A个）。

注意：这里有一个关键点，为了保证每次提取的潜变量得分t之间是正交的（不相关），在计算权重w时，有一种更常见的算法变体（称为NIPALS算法）会要求权重w与之前所有潜变量的得分向量正交。但在最初的简化理解中，我们可以认为算法通过不断对残差进行操作，隐式地实现了这一点。

最终模型：当我们提取了A个潜变量后，原始X和y可以表示为： X = T * P‘ + E y = T * q + f 其中，T是得分矩阵（n×A），每一列是一个潜变量得分t；P是X的载荷矩阵（p×A）；q是y的载荷向量（A×1）；E和f是残差。

而我们想要的，从原始X预测y的回归系数β，可以通过这些中间变量计算得到：β = W * (P‘ * W)^(-1) * q，其中W是权重矩阵（p×A）。在实际应用中，我们通常不需要手动推导这个公式，软件会直接给出β或者给出用潜变量T建立的回归模型。

2.2 扩展到多因变量（PLS2）：从“单恋”到“多角关系”

当因变量Y是一个矩阵（n个样本×m个变量）时，算法思想完全一致，只是“舞伴”变成了一个群体。核心目标仍然是寻找X的潜变量，使其不仅能概括X，还能同时概括Y（注意，是概括Y，而不是单独某个Y变量）。

算法步骤与PLS1类似，但初始化时，需要为Y也设置一个初始的得分向量u（通常取Y的第一列或与X相关性最强的列）。在迭代中：

1. 权重w的计算依赖于X和当前Y得分u的协方差：w = X‘ * u / ||X’ * u||。
2. 计算X得分t = X * w。
3. 然后，用t去计算Y的权重c：c = Y‘ * t / (t’ * t)。
4. 计算Y的得分u = Y * c / (c‘ * c)。（注意这里有一个归一化）
5. 检查t和u是否收敛（即变化很小），如果收敛，则计算载荷p和q，并计算残差，进入下一轮；否则，用新的u回到第1步迭代。

PLS2提取的潜变量，是能同时解释X和Y矩阵变异的方向。最终，我们会得到一组潜变量T，用于建立对所有m个Y变量的回归模型：Y = T * C‘ + F，其中C是Y的载荷矩阵。

一个重要的实操心得：在处理多因变量问题时，如果各个Y变量之间尺度差异巨大或者量纲不同，必须对Y矩阵进行标准化。否则，量级大的Y变量会在计算协方差时占据绝对主导地位，导致提取的潜变量主要服务于它，而忽略了其他重要但量级小的Y变量。这和在处理X变量时进行标准化的道理是一样的。

3. 手把手实战：用Python/R实现PLSR建模与调优

理论说得再多，不如亲手跑一遍代码。这里我将分别用Python和R这两个最常用的数据分析语言，演示一个完整的PLSR工作流，从数据准备、模型训练、潜变量选择到模型评估与诊断。

3.1 Python实战：基于scikit-learn

Python中我们主要使用scikit-learn库的PLSRegression模块。假设我们有一个数据集，X是葡萄酒的光谱数据（125个波长），Y是葡萄酒的酒精度和酸度两个质量指标。

import numpy as np import pandas as pd from sklearn.cross_decomposition import PLSRegression from sklearn.model_selection import train_test_split, cross_val_predict from sklearn.metrics import mean_squared_error, r2_score from sklearn.preprocessing import StandardScaler import matplotlib.pyplot as plt # 1. 加载数据并划分训练集/测试集 # 假设 df_X 是光谱数据DataFrame， df_Y 是质量指标DataFrame X = df_X.values Y = df_Y.values X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=42) # 2. 数据标准化 - 非常重要！ # PLS对尺度敏感，尤其是多Y变量时。使用StandardScaler进行中心化（减均值）和缩放（除以标准差）。 scaler_X = StandardScaler(with_mean=True, with_std=True) scaler_Y = StandardScaler(with_mean=True, with_std=True) X_train_scaled = scaler_X.fit_transform(X_train) X_test_scaled = scaler_X.transform(X_test) # 注意：使用训练集的均值和标准差来转换测试集 Y_train_scaled = scaler_Y.fit_transform(Y_train) Y_test_scaled = scaler_Y.transform(Y_test) # 3. 确定最佳潜变量数（n_components） - 模型调优的核心 # 使用交叉验证，计算不同成分数下的预测误差（如RMSE） n_comp_range = range(1, 11) # 尝试1到10个成分 mse_cv = [] for n_comp in n_comp_range: pls = PLSRegression(n_components=n_comp) # 使用交叉验证预测训练集 Y_cv_pred = cross_val_predict(pls, X_train_scaled, Y_train_scaled, cv=5) # 5折交叉验证 mse_cv.append(mean_squared_error(Y_train_scaled, Y_cv_pred)) # 绘制交叉验证误差曲线 plt.figure(figsize=(8,5)) plt.plot(n_comp_range, mse_cv, marker='o', linestyle='-') plt.xlabel('Number of PLS Components') plt.ylabel('Cross-Validated MSE') plt.title('PLS Component Number Selection') plt.grid(True) plt.show() # 选择误差最小或开始出现平台期的成分数 optimal_n_comp = n_comp_range[np.argmin(mse_cv)] # 这里简单取MSE最小的，实践中可结合“肘部法则” # 4. 用最优成分数训练最终模型 pls_optimal = PLSRegression(n_components=optimal_n_comp) pls_optimal.fit(X_train_scaled, Y_train_scaled) # 5. 模型评估 Y_train_pred_scaled = pls_optimal.predict(X_train_scaled) Y_test_pred_scaled = pls_optimal.predict(X_test_scaled) # 将预测值反标准化回原始量纲 Y_train_pred = scaler_Y.inverse_transform(Y_train_pred_scaled) Y_test_pred = scaler_Y.inverse_transform(Y_test_pred_scaled) train_r2 = r2_score(Y_train, Y_train_pred) test_r2 = r2_score(Y_test, Y_test_pred) train_rmse = np.sqrt(mean_squared_error(Y_train, Y_train_pred)) test_rmse = np.sqrt(mean_squared_error(Y_test, Y_test_pred)) print(f"最优潜变量数: {optimal_n_comp}") print(f"训练集 R²: {train_r2:.4f}, RMSE: {train_rmse:.4f}") print(f"测试集 R²: {test_r2:.4f}, RMSE: {test_rmse:.4f}") # 6. 获取模型系数（对应于原始标准化前的数据） # 注意：由于我们标准化了数据，这里的系数是对应于标准化后数据的。 # 要得到原始数据的系数，需要经过转换。sklearn的PLSRegression在拟合标准化数据后， # 其`coef_`属性给出的已经是基于原始输入X（标准化前）预测原始输出Y（标准化前）的系数矩阵吗？不完全是。 # 更稳妥的方式是：我们拟合的模型 pls_optimal 是在标准化数据上训练的。 # 对于一个新的、未标准化的样本 x_new (1×p)，预测流程应为： # 1. x_new_scaled = scaler_X.transform(x_new.reshape(1, -1)) # 2. y_new_scaled_pred = pls_optimal.predict(x_new_scaled) # 3. y_new_pred = scaler_Y.inverse_transform(y_new_scaled_pred) # 因此，通常我们保存的是 scaler_X, scaler_Y 和 pls_optimal 这个管道，而不是直接提取一个“原始系数”。

关键点解析与避坑：

• 标准化是必须的：StandardScaler的with_std=True确保了每个变量具有单位方差，这对于PLS中基于协方差的权重计算至关重要。处理测试集时，务必使用训练集拟合得到的scaler进行转换，这是机器学习的基本准则，但新手极易忘记，导致数据泄露和错误的乐观评估。
• 成分数选择：交叉验证是金标准。单纯看训练集误差会倾向于选择更多的成分，导致过拟合。交叉验证误差曲线上的“拐点”（肘部）通常是最佳选择。scikit-learn的cross_val_predict是进行这项工作的便捷工具。
• 系数解释：pls.coef_返回的系数矩阵，其维度是 (p个X变量 × m个Y变量)。每一列对应一个Y变量的回归方程中所有X变量的系数。但请注意，这些系数是模型内部的表示，直接解释其大小时需谨慎，因为变量间可能存在共线性（尽管PLS缓解了它）。更常见的解释工具是VIP值。

3.2 R语言实战：基于pls包

R语言的pls包功能非常强大且用户友好，特别适合化学计量学等领域。

# 安装并加载包 # install.packages("pls") library(pls) library(ggplot2) # 1. 准备数据 # 假设 data 是一个数据框，包含光谱变量 X1, X2, ..., X125 和质量变量 Y1, Y2 # 将自变量和因变量分开 X <- as.matrix(data[, 1:125]) Y <- as.matrix(data[, c("Y1", "Y2")]) # 2. 建立PLSR模型并自动进行交叉验证 # plsr()函数会自动进行中心化（scale=FALSE）或标准化（scale=TRUE） # 这里我们对X和Y都进行标准化，方法选择“oscorespls”（一种稳健的算法） pls_model <- plsr(Y ~ X, ncomp = 10, validation = "LOO", # LOO留一交叉验证，也可用“CV” scale = TRUE, method = "oscorespls") # 3. 模型摘要与成分数选择 summary(pls_model) # 查看累计解释方差等 # 绘制交叉验证均方预测误差（RMSEP）图 validationplot(pls_model, val.type = "RMSEP", legendpos = "topright") # 通常选择RMSEP最小值或第一个局部最小值对应的成分数 optimal_comp <- which.min(pls_model$validation$PRESS[1, ]) # PRESS是预测残差平方和 # 另一种更直观的方法：使用`selectNcomp()`函数，基于随机化检验或最小误差 optimal_comp_rand <- selectNcomp(pls_model, method = "randomization", plot = TRUE) optimal_comp_onesigma <- selectNcomp(pls_model, method = "onesigma", plot = TRUE) print(paste("根据最小PRESS，建议成分数:", optimal_comp)) print(paste("根据随机化检验，建议成分数:", optimal_comp_rand)) print(paste("根据‘one-sigma’法则，建议成分数:", optimal_comp_onesigma)) # 4. 使用选定成分数重新拟合或提取最终模型 # pls_model已经包含了所有成分的信息，我们只需要在预测时指定成分数即可。 final_ncomp <- optimal_comp_onesigma # 举例使用 one-sigma 法则的结果 # 5. 模型评估 # 获取拟合值 Y_fitted <- predict(pls_model, ncomp = final_ncomp, newdata = X) # 计算R2和RMSE R2 <- 1 - sum((Y - Y_fitted)^2) / sum((Y - colMeans(Y))^2) RMSE <- sqrt(mean((Y - Y_fitted)^2)) # 6. 绘制诊断图 # 观测值 vs 预测值图 plot(Y_fitted[,1], Y[,1], xlab = "Predicted Y1", ylab = "Observed Y1", main = "Y1: Fit Plot") abline(0, 1, col="red") # 添加y=x的参考线 # 载荷图 (Loadings Plot) - 查看每个潜变量中原始变量的贡献 plot(pls_model, "loadings", comps = 1:2, legendpos = "topleft") # 解释：图中点代表原始X变量，其坐标是它们在潜变量1和2上的载荷(p1, p2)。 # 位置靠近的变量，在潜变量空间中行为相似。远离原点的变量对当前潜变量贡献大。 # 7. 计算并绘制变量重要性投影（VIP）值 # `pls`包没有内置VIP函数，但可以手动计算或使用其他包如`ropls`。 # 这里提供一个手动计算VIP for Y的第一个变量的示例函数： get_vip <- function(pls_model) { W <- pls_model$loading.weights # 权重矩阵 W P <- pls_model$loadings # 载荷矩阵 P T <- pls_model$scores # 得分矩阵 T Q <- pls_model$Yloadings # Y载荷矩阵 Q ncomp <- ncol(T) p <- nrow(W) VIP <- matrix(0, nrow=p, ncol=ncomp) for (i in 1:ncomp) { # 计算第i个成分对Y的解释方差权重 weight = (Q[i,]^2 * sum(T[,i]^2)) / sum(Q^2 * colSums(T^2)) # 计算第i个成分的VIP VIP[,i] = sqrt(p * weight * (W[,i]^2) / sum(W[,i]^2)) } # 通常报告的是所有成分的VIP总和 vip_scores <- sqrt(rowSums(VIP^2)) return(vip_scores) } vip_scores <- get_vip(pls_model) # 绘制VIP图 barplot(vip_scores, names.arg = colnames(X), las=2, cex.names=0.7, main="Variable Importance in Projection (VIP)", ylab="VIP Score") abline(h=1, col="red", lty=2) # VIP>1通常被认为是重要的变量

R实战要点：

• pls包的便利性：plsr()函数一句命令就能完成建模和交叉验证，validationplot()和selectNcomp()让模型选择非常直观。
• 算法选择：method参数有多种选项（如 “kernelpls”, “widekernelpls”, “simpls”, “oscorespls”）。对于大多数情况，“kernelpls”或“oscorespls”是稳健的选择。“simpls”计算更快，但数值性质可能稍差。当变量数远大于样本数时，“widekernelpls”更高效。
• VIP值：VIP是PLSR中用于变量筛选的黄金指标。它衡量了一个X变量在解释Y变异的全过程中，在所有潜变量上的综合重要性。VIP > 1 是一个常用的经验阈值，大于1的变量被认为对模型有显著贡献。这在光谱分析中用于筛选关键波长，在金融中用于筛选关键因子，非常实用。

4. 模型诊断、解释与进阶应用场景

构建出PLSR模型只是第一步，如何诊断模型是否健康、如何解释模型结果、以及将它用在哪些特色场景，才是真正体现分析功力的地方。

4.1 核心诊断图：洞察模型健康状况

一个可靠的PLSR分析，离不开以下几张关键的诊断图：

1. 预测误差 vs. 成分数图：如前所述，这是选择最佳潜变量数的根本依据。一个健康的模型，其交叉验证误差会随着成分数增加先迅速下降，然后进入一个平缓区或开始轻微上升。选择平缓区的起点（肘部）作为成分数。

2. 观测值 vs. 预测值散点图：无论是训练集还是测试集，数据点应均匀分布在y=x参考线两侧。如果出现明显的弯曲模式，可能意味着数据中存在非线性关系，或者需要对Y进行变换（如取对数）。如果测试集散点明显比训练集分散，说明模型存在过拟合或测试集与训练集分布不一致。

3. 残差图：绘制预测残差（Y_obs - Y_pred） against 预测值（Y_pred）或观测值（Y_obs）。健康的残差图应该像一个随机的“毛球”，没有任何明显的趋势或模式（如漏斗形、弧形）。如果存在趋势，同样暗示模型可能遗漏了重要变量或存在非线性。

4. 得分图（Score Plot）：绘制样本在前两个潜变量（t1 vs. t2）上的得分。这张图用于：

   • 发现异常样本（离群点）：远离样本云中心的点需要重点关注，可能是测量错误、录入错误，或者是具有特殊性质的样本。
   • 观察样本聚类结构：如果数据本身存在类别（如不同产地的葡萄酒），得分图上通常能清晰地看到类别分离，这说明潜变量抓住了区分类别的关键信息。
   • 评估模型稳定性：如果测试集样本的得分点落在训练集样本云的范围之内，说明模型外推能力较好。

5. 载荷图（Loading Plot）：绘制变量在前两个潜变量（p1 vs. p2）上的载荷。这张图用于：

   • 理解潜变量的含义：落在同一象限且距离原点较远的变量，它们对当前潜变量的贡献大且方向一致。例如，在光谱分析中，如果某些波长在t1上有高的正载荷，可能对应着某种官能团的吸收。
   • 识别共线变量组：位置非常接近的变量，说明它们在潜变量空间中提供的信息高度冗余，可以考虑剔除一部分。
   • 关联X与Y：在双标图中，同时画出X的载荷和Y的载荷（或Y的权重），可以直观看到哪些X变量与哪个Y变量关系密切。靠近某个Y变量的X变量，通常是对预测该Y有重要影响的变量。

4.2 变量重要性评估：从VIP到回归系数

除了直观的图形，我们还需要定量的指标来判断每个自变量的重要性。

• 变量重要性投影（VIP）：如前所述，VIP是PLSR中最综合、最常用的变量重要性指标。它考虑了变量在所有潜变量上对解释Y的累计贡献。VIP > 1是筛选重要变量的黄金准则。在实际项目中，我经常用VIP值来指导特征选择：先建立包含所有变量的PLSR模型，然后剔除VIP < 0.8（更严格）或 < 1 的变量，重新建模，往往能在不损失预测精度甚至提升精度的情况下，得到一个更简洁、更易解释的模型。

• 标准化回归系数：虽然PLSR的回归系数（β）因为共线性问题，其大小和符号在传统回归中难以直接解释，但在PLS模型中，由于潜变量是正交的，其系数的稳定性相对更好。我们可以通过观察系数绝对值的大小来粗略判断影响力。一个重要的技巧是：绘制系数图（Coefficient Plot），按系数大小排序。这能一目了然地看到正负影响最大的变量是哪些。但解释时仍需结合领域知识，因为高度相关的变量在PLSR中可能会被分配相似的系数。

• 权重（w）与载荷（p）：权重向量w的方向决定了潜变量t的提取方向，它直接反映了X变量与Y的协方差关系。载荷p反映了X变量与潜变量t的相关性。比较同一潜变量下的w和p，如果两者差异很大，可能暗示数据中存在一些“干扰”变量，或者该潜变量提取的信息比较复杂。

4.3 进阶应用场景与技巧

PLSR远不止于做回归预测，它在许多特定场景下大放异彩。

1. 多元校正与定量分析：这是PLSR在分析化学中的经典应用。例如，近红外光谱分析中，光谱（X）与样品浓度（Y）之间关系复杂，且光谱波段多、共线性强。PLSR可以建立光谱与浓度之间的稳健校正模型，用于未知样品的快速、无损定量检测。这里的核心是模型的稳健性和可转移性，需要关注模型在时间推移、仪器更换后的表现，常常需要用到模型更新或标准化的技术。

2. 处理缺失值：PLSR的迭代算法（如NIPALS）天然能够处理数据中的少量缺失值。算法会在迭代过程中，基于现有数据来估计缺失值。但这并非万能，缺失太多或非随机缺失仍然会导致严重问题。

3. 分类问题：PLS-DA：偏最小二乘判别分析是PLSR用于分类问题的变体。其思路是将类别标签（如0/1，或经过虚拟编码的多个类别）作为Y矩阵，然后进行PLSR建模。提取出的潜变量空间能够最大化地区分不同类别的样本。随后，可以在潜变量得分空间中使用线性判别分析、最近邻等分类器进行分类。PLS-DA在代谢组学、基因组学等高维分类问题中非常流行。一个关键注意事项：PLS-DA容易过拟合，必须使用严格的交叉验证来评估分类性能，并且潜变量数的选择至关重要。

4. 多块数据融合：当你有来自不同来源或技术的多组自变量数据（例如，同时有光谱数据、色谱数据和工艺参数数据），想要共同预测一个质量指标Y时，可以使用多块PLSR或分层PLSR。这些方法能同时分析多个X块与Y的关系，并揭示不同数据块之间的协同或互补信息。

5. 非线性PLSR：标准的PLSR是线性的。当X与Y之间存在明显的非线性关系时，可以通过引入核函数（核PLSR）或将X的平方项、交互项作为新变量加入，来捕捉非线性效应。但这样会增加模型复杂度和过拟合风险，需谨慎使用。

在我处理的一个发酵过程优化项目中，我们就使用了多块PLSR。我们将在线传感器数据（温度、pH、溶氧等）和离线检测的代谢物浓度数据（两个X块）共同建模，预测最终产物效价（Y）。PLSR不仅给出了高精度的预测模型，其载荷图还清晰地揭示出，在发酵前期，在线传感器数据块是主要预测因子；而在发酵中后期，离线代谢物数据块变得至关重要。这个发现直接指导了我们优化采样策略，将有限的离线检测资源集中到了最关键的时间点。