简介：面向MATLAB环境下开展多变量统计分析与化学计量学研究的科研人员与研究生，压缩包内提供PLS_Toolbox21偏最小二乘回归工具箱，可高效处理高维数据与多重共线性问题，覆盖标准PLS、正交PLS、PLSR等建模方式，并包含中心化、标准化等预处理手段及VIP变量选择、交叉验证、Q2值计算等功能。rar压缩包共209个文件，以189个m脚本和20个mat数据文件为主，前者涵盖建模、预处理、绘图等模块，后者便于直接运行验证与模型演示，整包大小仅4.01MB，轻量易部署。已有577人浏览学习，适合化学计量、生物医学、材料科学等领域的实际应用。通过下载可取得完整工具源码、示例数据集和典型调用流程，便于结合自身光谱或组学数据进行建模、预测与结果解释，快速掌握PLS及其判别分析、主成分回归等进阶用法。

1. 偏最小二乘与 PLS_Toolbox21：为什么你调了一周预处理仍不如一套工具箱

做近红外定量分析的人应该都有这种体会：换一台仪器、换一批样本，偏最小二乘模型的预测误差就涨一截。很多人第一反应是改预处理参数，一调就是半天，RMSECV 纹丝不动。我在反复折腾后换成 PLS_Toolbox21，最大的感受不是它比 MATLAB 自带函数快多少，而是它把建模流程里最容易翻车的环节——预处理、潜变量选择、交叉验证、离群点诊断——变成了看得见的闭环。这里从偏最小二乘的算法细节讲到工具箱的实际参数设置，重点写我如何确定潜变量数、排查离群点。适合做光谱建模、过程分析、近红外和中红外定量模型的人直接照着复现。

2. 选型与算法：PLS 原理、工具箱核心模块和与内置函数的三个差距

在开始建模前，我希望先解释为何要选用 PLS_Toolbox21，而不是自己写脚本。许多 MATLAB 用户在“工具箱”和“自带函数”之间摇摆。实际上，建模项目大多要求快速交付，三周后重跑模型还能稳定复现，这一点比单次拟合优度更重要。内置的plsregress能做基础的偏最小二乘回归，但当你需要交叉验证、预处理管道和离群点诊断时，几乎每个环节都要自己写辅助代码。工具箱的价值是把建模中的共性问题变成可复用的对象，而不是让你每次从零拼。

偏最小二乘本身不是新方法，这里只强调一个常被忽略的点：PLS 对 X 和 Y 同时做双线性分解，提取出的潜变量既要让 X 的方差尽量大，又要让 X 得分与 Y 得分的协方差最大。这个区别决定了它比主成分回归更适合光谱这类“特征重叠、样本又少”的数据。

2.1 普通最小二乘失效的场景：共线性数据与潜变量的由来

光谱数据有一个非常恼人的特点：特征多，样本少。一个中红外谱图动辄上千个波长点，而标准样品可能只有三五十个。普通最小二乘要求解回归系数，系数个数超过样本数时本身就是欠定系统，解不唯一。即使把样本数堆到超过波长数，相邻波长的强相关性也会让信息矩阵的条件数高得吓人，回归系数对噪声极其敏感，训练集拟合得很好，第二天换个批次就崩。

有人会说，那就用主成分回归。PCR 先把 X 压缩成几个主成分，再拿主成分当自变量做回归。但主成分只代表 X 自身方差最大的方向，并不保证这个方向和 Y 真的有关系。实际项目中经常出现这样的情况：前三个主成分累计解释了 X 方差的 98%，可 Y 的主要变化却藏在一个方差很小的方向上，PCR 会把这个方向直接丢掉。

PLS 换个做法：每提取一个潜变量，同时分解 X 和 Y，要求提取的得分向量 t 与 Y 得分向量 u 协方差最大。也就是说，PLS 不只找 X 的主要结构，而是找“和 Y 最相关”的 X 结构。这个机制带来的直接好处是：同样的预测精度，PLS 需要的潜变量数量通常比 PCR 少，模型解释也更直接。

工具箱里潜变量数的参数叫 latent variables，缩写为 LV。新手容易把 LV 当成主成分个数来理解，其实两者的提取准则差别不小。LV 太多会吸收噪声，太少则欠拟合，这个度在 4.1 里我会专门展开。

2.2 工具箱的核心模块：dataset 对象、预处理流、模型与验证的闭环

PLS_Toolbox21 的建模链路一般是：原始数据 → dataset 对象 → 预处理流 → pls 模型 → 交叉验证模型 → 诊断图。中间每一环都是独立对象，可以单独拿出来检查。比如 dataset 对象不只能存 X 和 y，还能存变量名、样本名和坐标轴信息。画图时自动显示波长位置，不用每次手工 set。

我一般会先把 Excel 读进来的数据整理成下面这样的结构：

% 读入 200 个样本的光谱数据，前 120 列是波长，最后 1 列是参考浓度 data = xlsread('batch_spectra.xlsx'); % 201 x 121 的矩阵 X = data(:, 1:120); y = data(:, 121); % 组织成 dataset 对象，并标注维度名称 obj = dataset(X, y); obj.name = 'batch1'; obj.label{1} = {'sample'}; % 第一维：样本 obj.label{2} = {'wavelength'}; % 第二维：波长通道

dataset 构造函数把 X 和 y 捆成一个对象，后续所有模型函数只要传这个对象，不用反复传两个数组。更关键的是，对象里保存了完整的坐标信息，后续画载荷、画得分图的时候，横轴就可以直接按波长显示。如果只拿两个普通数组丢进函数，换一次仪器就得手工重新排列列，非常容易串列。

数据集建好以后，下一步是定义预处理流。这一步只是登记处理方式，真正执行发生在模型训练和预测阶段，这样才能保证训练集和测试集用完全相同的预处理参数。比如这里登记一个自动缩放：

pre = preprocess('default', 'autoscale');

这个设计有一个很实际的好处：当用测试集预测时，模型会自动按训练集保存的均值和标准差做缩放。如果自己分开写标准化，测试集漏用训练集统计量是家常便饭，这种事我没少见。

2.3 与内置 plsregress 的差距：为什么我要额外装一套工具箱

拿近红外过程分析来说，用内置函数往往要自己写一个很长的主流程：标准化、建模、交叉验证、画残差图。换一个人做，可能漏掉某个环节。工具箱把每步的参数和结果留在模型对象里，回头排查时直接调属性。如果数据已经做过严格清洗且样本固定，内置函数也能用，但整套流程跑下来，工具箱至少能省下三分之一的时间，而且结果更容易复现。

这张表不是纸上谈兵。我做玉米水分模型时拿同一份数据分别跑过内置plsregress和工具箱，LV 同样取 8，预测结果偏差不大。但换成测试集后，内置函数的模型没有给出置信区间和 Q 残差，我要排查异常样本，只能把 X 重新抽出来算一遍马氏距离，这一步非常费劲。工具箱把诊断信息直接挂在模型对象上，一个命令就能调出图来，这是它真正的价值。

3. 建模实测：从 Excel 原始光谱到交叉验证模型的可复现步骤

第二章讲了为什么选它，这一章直接上手。我以一份 200 个样本的近红外光谱为例：120 列波长，间隔 8 nm，覆盖 900 到 1800 nm，最后一列是实验室测得的参考浓度。建模前先扫一遍数据，看看有没有全零列或空值，然后再做模型训练。整个过程的重点不是把 LV 一步设对，而是把交叉验证做扎实。

3.1 单模型训练：pls 命令与模型对象里存了些什么

数据经过 2.2 的组织后，可以直接调用pls命令。第一个模型不要想着一步到位，随便挑一个 LV 数先把流程跑通，后面再细化。我一般从 8 个潜变量开始：

% 用原始 X 和 y 直接建模，潜变量数先设定为 8 model = pls(X, y, 8, 'preprocessing', preprocess('autoscale')); % 查看模型概况，确认没有 NaN、没有警告 model; % 画出训练集得分图，看看有没有明显分群 plotscores(model);

pls的前两个参数是光谱矩阵和浓度向量，第三个参数 8 是潜变量数，最后用名称-值对指定预处理。建模结束后，model 对象里存了得分、载荷、回归系数、残差，还有一个 detail 结构，里面有每次潜变量迭代的方差解释率。训练集拟合效果再好看，也不能说明泛化能力，所以接下来必须做交叉验证。

plotscores 是第一步检查。如果训练集样本明显分成几簇，且这些簇对应不同批次或不同时间，就要小心潜在的批次效应。这种效应对潜变量数选择影响很大，后文会专门讲。

3.2 交叉验证分组方式：venetian blinds 与 contiguous block 的真实差异

PLS_Toolbox21 里交叉验证命令写法比较直接，关键在分组方式。默认我常用 'ven'，即 venetian blinds，把训练样本按顺序每隔 N 个取一个当验证集。这种分组适合样本顺序完全打乱的场景，比如随机抽样的标准样品集。

但当样本本身有批次顺序，比如同一台仪器连续测量 50 分钟，venetian blinds 会让验证样本在时间上离训练样本很近，交叉验证误差会非常乐观。这种情况下我更推荐 'con'，即 contiguous block，按顺序把每块样本整体切出来验证。这才是模拟换一批新样本时的真实表现。

% 从 1 到 10 个潜变量逐一跑交叉验证 rms_cv = zeros(1, 10); for nLV = 1:10 model_cv = pls(X, y, nLV, 'preprocessing', preprocess('autoscale')); cv = crossval(model_cv, 'cv', 'ven', 10); rms_cv(nLV) = cv.rmsecv; % 交叉验证均方根误差 end % 画 RMSECV 随潜变量数变化的曲线 plot(1:10, rms_cv, '-o'); xlabel('潜变量数'); ylabel('RMSECV');

参数说明：'ven' 后面的 10 表示把样本分成 10 份，每份轮流当验证集。若改用分块交叉验证，需要把 'ven' 换成 'con'，后面接块大小或块数。在读曲线时注意，RMSECV 是越小越好，但它的最低点不一定是最佳模型点，这个我在 3.3 里细说。

再补充一个我在实际项目中常用的小技巧：如果样本量少于 50，我会直接用随机重复交叉验证，比如 'rand' 加 10，多跑几次取平均，避免一次分组运气影响判断。后面 5.4 里的蒙特卡洛思路也是这么来的。

3.3 RMSECV 曲线解读：最低点不是终点，折中是常态

RMSECV 曲线是最常见的选 LV 依据。很多人看到第 8 个潜变量误差最小，就直接取 8。我做过一个土壤有机质模型，RMSECV 从第 6 个潜变量开始一路缓慢下降，第 10 个潜变量时看起来最优，可当我把 Q 残差图调出来，从第 9 个开始有 3 个样本的残差突然跳到限外。这说明模型开始把噪声当信号吸收了，再往后加 LV 只会过拟合。

我把那组数据的误差趋势简化成下面这张表，方便说明判断逻辑：

如果只看 RMSECV，第 10 个潜变量最诱人。但 Q 残差超限样本数从 1 跳到 5，说明模型已经在拟合个别样本的异常波动。这种情况下，我会退回第 7 或第 8 个潜变量，而不是选最低点。我的习惯是：先看 RMSECV 是否有明显拐点，再看 Q 残差超限比例不超过 5%，两者交叉后才能定 LV。

4. 参数调优：潜变量数、预处理顺序与离群点诊断的实际边界

建模最容易改动的是预处理器和潜变量数，但最容易被带偏的也是这两个。工具箱把预处理设计成一条流水线，顺序不同效果差很多。这一章我写一份实际项目中反复使用的参数检查单，按“潜变量个数 → 预处理顺序 → 离群点诊断”的顺序走一遍。

4.1 潜变量数定案：不看最低点，看 Y 方差解释率的边际收益

RMSECV 曲线能看趋势，但最终定案我还会看一个数字：每增加一个潜变量，Y 方差解释率提升了多少。工具箱把每次迭代的解释率存在模型对象的 detail 结构里。

% 取出 Y 方差累计解释率，第二列是累计值 explained = model.detail.varY(:, 2); % 逐个 LV 打印解释率 for k = 1:length(explained) fprintf('第%d个潜变量后累计Y方差解释率：%.2f%%\n', ... k, explained(k) * 100); end

我一般这样判断：如果第 5 个 LV 后解释率已经到 98.2%，第 6 个只增加 0.3%，RMSECV 也没有显著下降，就停在第 5 个。如果第 6 个虽然解释率增得少，但 RMSECV 从 0.6 降到 0.45，这个 LV 仍然值得保留。解释率和 RMSECV 要配合看，单看一个都会出错。

还有一个细节：不同预处理组合下，解释率曲线形态完全不同。同一份数据，Autoscale 和 SNV 做出来的曲线可能一个陡峭一个平缓。所以 LV 数不能跨预处理方案比较，每次改预处理后都要重新选 LV。

4.2 预处理顺序：SNV、导数、Autoscale 的排列次序与窗口参数

光谱预处理不是越多越好，而是顺序要对。我处理的固体颗粒光谱，比如饲料、土壤，颗粒散射会造成基线漂移和样本间光程差异，第一步我会用 SNV 做标准正态变量变换。然后做一阶导数，把基线漂移变成一次项，减小低频背景干扰。最后再做 Autoscale，把每个波长缩放到单位方差，避免高吸收峰在计算中主导整个模型。

% 定义预处理流水线：SNV -> 一阶导数(S-G平滑) -> Autoscale pre = preprocess('default', 'snv'); pre = preprocess('derivative', 1, pre, 'window', 15, 'order', 2); pre = preprocess('autoscale', pre); % 用这条预处理流重新建模 model = pls(X, y, 8, 'preprocessing', pre);

这里window=15是 Savitzky-Golay 平滑窗口，order=2是多项式阶数。窗口太大，导数会把相邻波峰拉平，窗口太小，噪声被放大。土壤近红外我常用 9 到 21，汽油近红外可以用 11，具体要根据光谱分辨率自行调整，没有绝对标准。

顺序上有一条铁律：散射校正和导数要放在 Autoscale 之前。如果先 Autoscale，SNV 的除法本来就带有缩放效果，两者叠加会让一部分波长被过度放大，后面再做导数时会把噪声一块放大。我自己第一次就掉进过这个坑，后来养成了从后往前检查预处理列表的习惯。

4.3 离群点诊断：Q 残差与 Hotelling T² 的阈值到底看哪个

PLS_Toolbox21 的诊断图里有两张常用图：Hotelling T² 和 Q 残差。T² 衡量样本在主成分空间的距离，Q 残差衡量样本在残差空间里的距离。理解这两者非常关键。

T² 超限的样本，说明它在模型覆盖范围之外，可能是一个浓度很高的正常样本，也可能是一个完全不同的物质带来的干扰。Q 残差超限的样本，说明它没有被模型结构解释的部分太多，常见原因包括仪器噪声突然变大、样品出现气泡或者光谱采集位置偏移。

我建议把诊断图打开之后再删样本。判断准则可以写成一个简单的优先级：

% 画出 Q 残差对应 Hotelling T² 的诊断图 plotdiagnostics(model, 'Qhotellings');

如果样本只在 T² 上超限且它的原始光谱形态正常，多半是高杠杆点，保留即可。如果样本 Q 残差超限且横向对应一个明显的毛刺峰，先检查原始光谱，再决定是否删除。删除前先想一下这个样本在量产时会不会出现，如果不会，删掉它再重新建模是合理的；如果会，那就应该把它当正常波动留下来。

离群点删除后必须重新训练模型并重新做交叉验证，不能把删除前后的性能指标混在一起对比。这个小细节经常被人忽略，导致选出的 LV 数根本不可比。

5. 常见问题与避坑记录：PLS_Toolbox21 踩坑后的四个排查手段

工具箱用久了，会发现很多问题不是算法问题，而是调用方式问题。我在几个项目里反复踩过同类坑，按“现象 → 原因 → 解决”的方式记录在这里。把这些排查手段背下来，能省不少调试时间。

5.1 建模报 NaN：最隐蔽的预处理除零

现象：预处理跑完之后调用 pls，返回的模型对象里有 NaN，画图时得分图一片空白。

原因：最常见的有两种情况。数据里有空值，或者某一列的方差为 0。Autoscale 会把每个变量除以标准差，零方差变量直接产生除零错误。光谱两端经常出现探测器坏点，那里全是同一个数值，正好命中。

解决：建模前先做一步删除操作，把含 NaN 和零方差的列筛掉。

% 删除含 NaN 的列，同时保留方差大于 0 的列 keep = ~any(isnan(X), 1) & (var(X, 0, 1) > eps); X = X(:, keep);

这一步做完再看 y，确认 y 里也没有 NaN。大多数 NaN 都来自 Excel 表格中的空单元格，导入后显示为 NaN，工具箱自身不会帮你自动清理。

5.2 交叉验证误差与外部测试集差距巨大

现象：交叉验证报 RMSECV 为 0.35，但把模型放到新批次数据上预测，RMSEP 达到 1.2，差了三倍以上。

原因：分组方式不符合真实应用。样本按批次连续采集时，我用了 'ven'，同一批次的样本被分散到训练集和验证集里，等于让模型“见过”同一批邻近样本。换到真正的异地批次，性能自然掉下来。另一个常见原因是预处理统计量用了全集计算，而不是只用训练集。

解决：改用 'con' 分组或手动按批次留出测试集。最稳妥的做法是直接抽出一个批次当测试集，其余样本做训练：

train = obj(1:160, :); test = obj(161:200, :); model = pls(train, 'preprocessing', pre); pred = predict(test, model);

验证集必须从建模流程的一开始就隔离出去。我见过有人把所有样本一起做 Autoscale 后再拆分，这等于提前把测试集信息泄露给了模型，外部测试结果自然虚高。

5.3 工具箱版本接口不一致导致旧代码失效

现象：老代码用 pls(x, y, ncomp) 直接跑，换到 PLS_Toolbox21 之后报 Undefined function 或者参数数量错误。

原因：新版本对输入参数做了更严格检查，部分老函数改成了对象方法。工具箱更新后，旧脚本没有同步修改，接口自然对不上。

解决：先用ver查看版本，再用help pls确认当前签名。通常需要把第三个参数从整数改成显式的潜变量数选项，或者把两个输入数组改成 dataset 对象。改完之后重新跑一次交叉验证，确认结果和旧版本基本一致再继续用。

需要提醒的是，版本更新可能让之前保存的模型对象无法直接被新版本读取，备份模型时同时备份数据、预处理参数和 LV 数，别只存一个 .mat。

5.4 潜变量数只看最低点导致过拟合

现象：RMSECV 最低点在 10 个潜变量处，模型训练集预测非常好，但半年后用到新样本上，误差比预期大很多。

原因：RMSECV 最低点往往是模型开始吸收噪声的位置。小样本场景下，单个最低点很容易由偶然误差产生，不具备稳定性。

解决：用随机重复交叉验证代替单次分组，看多次分组的平均误差和波动范围。

% 重复 50 次随机 10 倍交叉验证 rms_cv = zeros(50, 1); for i = 1:50 cv = crossval(model_cv, 'cv', 'rand', 10); rms_cv(i) = cv.rmsecv; end fprintf('平均 RMSECV：%.3f，标准差：%.3f\n', ... mean(rms_cv), std(rms_cv));

如果最优点附近的标准差特别大，说明这些 LV 数对分组方式太敏感，应该考虑降低一两个 LV。这个方法比单次交叉验证多花几十秒，但换来的是长期稳定性。

6. 进阶用法：模型解释、系数导出与换仪器后的复验习惯

模型建完，不等于项目做完。交付时我固定做三件事：第一，用潜变量载荷找出对浓度变化贡献最高的波长区间；第二，把回归系数和 VIP 值连同样本号一起导出；第三，对测试集做一次严格的留存预测，给工艺人员看结果。这三件事做完，模型才不算黑匣子。

提取重要变量时，我常看 VIP 值。VIP 大于 1 的变量一般被认为对模型比较重要。在工具箱里可以用类似下面的代码把 VIP 值和回归系数一起导出：

% 提取变量重要性投影得分（不同版本函数名可能略有差异） vip = vipscore(model); coeffs = model.regcoef; % 按 VIP 降序排列并打印前十个最重要变量 [~, idx] = sort(vip, 'descend'); fprintf('前10重要变量的原始索引：%s\n', num2str(idx(1:10)')); % 保存成带变量名的表格 T = table((1:length(coeffs))', coeffs, vip, ... 'VariableNames', {'wavelength_index', 'regcoef', 'vip'}); writetable(T, 'pls_model_summary.csv');

拿到索引后，我会把它映射回波长坐标，写进报告里：“有效变量集中在 1100 到 1250 nm 区间”。这一步常被新手跳过，但工艺人员最关心的是这个区间，因为它对应 O-H 和 C-H 的合频振动。这样一写，模型马上就变成可沟通的技术结论。

换仪器或者换测量条件时，我会强制走一遍复验流程：先把新仪器采到的 10 个样本放进模型预测，看 Q 残差有没有大范围超限。如果超限，先检查数据预处理是否一致，再检查波长范围和分辨率。不要一上来就重新建模。很多时候，只是波长范围截取不一致，模型被生生带偏。

从那以后，我每次交付模型都会强制导出这张汇总表，无论对方是否要求。这个习惯在半年后重新复现模型时特别有用，因为你能直接看到当时选了哪几个潜变量、哪几个波长最重要，不用再把老代码翻一遍。希望这些踩坑记录能帮你少走一点弯路，也希望这个导出习惯对你接下来的模型交付有实际帮助。

本文还有配套的精品资源，点击获取