Los modelos clásicos de Regresión de Mínimos Cuadrados Parciales (PLSR) fueron desarrollados principalmente para datos continuos, permitiendo la reducción de la dimensionalidad mientras se preservan las relaciones entre predictores y respuestas. Sin embargo, su aplicación a datos binarios es limitada. Este estudio presenta la Regresión de Mínimos Cuadrados Parciales Binarios (BPLSR), una extensión novedosa de la metodología PLSR diseñada específicamente para escenarios que involucran predictores y respuestas binarias. BPLSR adapta el marco clásico de PLSR para manejar las propiedades únicas de los conjuntos de datos binarios. Una característica clave de este enfoque es la introducción de una representación triplot que integra biplots logísticos. Esta herramienta de visualización proporciona una interpretación intuitiva de las relaciones entre individuos y variables de las matrices de predictores y respuestas, mejorando la interpretabilidad del análisis de datos binarios. Para ilustrar la aplicabilidad y efectividad de BPLSR, el método se aplicó a un conjunto de datos del mundo real de cepas de un hongo patógeno. Los resultados demostraron la capacidad del método para representar las relaciones binarias entre predictores y respuestas, subrayando su potencial como una herramienta analítica sólida. Este trabajo amplía las capacidades de los métodos tradicionales de PLSR y proporciona una solución práctica y versátil para el análisis de datos binarios con amplias aplicaciones en diversas áreas de investigación.