内容
说明：
1、Matlab自带的PLS回归算法基于SIMPLS，对X和Y进行了中心化处理，但是没有对列进行标准化。
如要对变量进行标准化，需要用matlab中的zscore函数对X和Y进行处理。
如果ncomp省略，默认的值为min(size(X,1)-1,size(X,2))。
2、得分（scores），载荷（loadings）和中心化的X0和Y0之间的关系如下：
XL = (XS\X0)' = X0'*XS,
YL = (XS\Y0)' = Y0'*XS,示例：
1.[XL,YL] = plsregress(X,Y,ncomp)
Y对X进行偏最小二乘回归，指定ncomp个PLS主成分；返回自变量载荷XL和因变量载荷YL。X 自变量矩阵，大小为np（行向量为样本，列向量为变量）。Y 因变量矩阵，大小为nm。XL为自变量的载荷矩阵，大小为p*ncomp维，每行为PLS主成分对原始自变量近似的线性组合系数。YL为因变量的载荷矩阵，大小为m*ncomp维，每行为PLS主成分对原始因变量近似的线性组合系数。
2.[XL,YL,XS,YS] = plsregress(X,Y,ncomp)
XS nncomp维正交矩阵，自变量得分矩阵（X中的原始变量对PLS主成分的线性组合），行向量为样本，列向量为主成分。YS nncomp维矩阵，因变量得分矩阵（与XS的主成分具有最大协方差的因变量的线性组合），行向量为样本，列向量为主成分。YS既不是正交也不是规范化的。
3.[XL,YL,XS,YS,BETA] = PLSREGRESS(X,Y,ncomp,...)
返回PLS回归系数，BETA 是一个(p+1)-by-m 矩阵。Y = [ones(n,1),X]BETA + Yresiduals,Y0 = X0BETA(2:end,:) + Yresiduals.
4.[XL,YL,XS,YS,BETA,PCTVAR] = plsregress(X,Y,ncomp)
返回一个 2-by-ncomp matrix PCTVAR，包含了模型可解释的方差百分比。PCRVAR第一行为每个PLS解释的X的方差百分比；第二行为Y的方差百分比。
5.[XL,YL,XS,YS,BETA,PCTVAR,MSE] = plsregress(X,Y,ncomp)
返回一个2-by-(ncomp+1)的MSE矩阵，包含了PLS模型0：ncomp主成分的预测均方根误差。第一行包含了X中的预测均方根误差；第二行为Y中的均方误差。
6.[XL,YL,XS,YS,BETA,PCTVAR,MSE] = plsregress(...,param1,val1,param2,val2,...)
输入参数包含了计算MSE的方法。'cv' 指定计算MSE的方法。
值为正整数k,那么进行k折交叉验证。
值为cvpartiton类，可以指定其他的交叉验证方法。
值为‘resubstitution’ 不进行交叉验证。'mcreps'包含了进行交叉验证时Monte-Carlo的重复次数，默认的值为1。options 指定是否需要并行运算。
参数 UseParellel,UseSubstreams,Streams
7.[XL,YL,XS,YS,BETA,PCTVAR,MSE,stats] = PLSREGRESS(X,Y,ncomp,...)
返回结构体statsW — A p-by-ncomp matrixof PLS weights so that XS = X0W.T2 — The T2 statistic for each point in XS.Xresiduals — The predictor residuals, that is, X0-XSXL’.Yresiduals — The response residuals, that is, Y0-XS*YL’.
