Оцените обобщенный прогноз модели линейной регрессии
ypred = feval(mdl,Xnew1,Xnew2,...,Xnewn)
ypred = feval(mdl,Xnew1,Xnew2,...,Xnewn)mdl к входу [Xnew1,Xnew_2,...,Xnewn].
|
Обобщенная линейная модель, заданная как полный объект |
|
Компоненты предиктора.
Каждый нескалярный компонент должен иметь тот же размер (число элементов в каждой размерности). Если вы передаете всего один массив |
|
Предсказанные средние значения в Для биномиальных моделей Для моделей со смещением |
Сгенерируйте обобщенную линейную модель и постройте ее ответы на область значений входных данных.
Сгенерируйте искусственные данные для модели, случайных чисел Пуассона с двумя базовыми предикторами X(1) и X(2).
rng('default') % for reproducibility rndvars = randn(100,2); X = [2+rndvars(:,1),rndvars(:,2)]; mu = exp(1 + X*[1;2]); y = poissrnd(mu);
Создайте обобщенную модель линейной регрессии данных Пуассона.
mdl = fitglm(X,y,'y ~ x1 + x2','distr','poisson');
Сгенерируйте область значений значений для X(1) и X(2), и постройте образцовые прогнозы в тех значениях.
[Xtest1 Xtest2] = meshgrid(-1:.5:3,-2:.5:2); Z = feval(mdl,Xtest1,Xtest2); surf(Xtest1,Xtest2,Z)
feval позволяет вам легко оценивать прогнозы модели, когда модель была адаптирована с помощью массива набора данных или таблицы. predict требует таблицы или массива набора данных с теми же именами предиктора, но можно использовать простые массивы скаляров с feval.
predict дает те же прогнозы, но использует один входной массив с одним наблюдением в каждой строке, а не одним компонентом в каждом входном параметре.
random предсказывает с добавленным шумом.
CompactGeneralizedLinearModel | GeneralizedLinearModel | predict | random
