Класс NonLinearModel

Нелинейный класс модели регрессии

Описание

Объект, включающий данные тренировки, образцовое описание, диагностическую информацию и адаптированные коэффициенты для нелинейной регрессии. Предскажите образцовые ответы с методами feval или predict.

Конструкция

Создайте объект NonLinearModel с помощью fitnlm.

Свойства

развернуть все

Это свойство доступно только для чтения.

Ковариационная матрица содействующих оценок, заданных как p-by-p матрица числовых значений. p является количеством коэффициентов в подобранной модели.

Для получения дополнительной информации смотрите Содействующие Стандартные погрешности и Доверительные интервалы.

Типы данных: single | double

Это свойство доступно только для чтения.

Содействующие имена, заданные как массив ячеек из символьных векторов, каждый содержащий имя соответствующего термина.

Типы данных: cell

Это свойство доступно только для чтения.

Содействующие значения, заданные как таблица. Coefficients содержит одну строку для каждого коэффициента и этих столбцов:

  • Estimate — Предполагаемое содействующее значение

  • SE — Стандартная погрешность оценки

  • tStatt - статистическая величина для теста, что коэффициент является нулем

  • pValuep - значение для t - статистическая величина

Используйте anova (только для модели линейной регрессии) или coefTest, чтобы выполнить другие тесты на коэффициентах. Используйте coefCI, чтобы найти доверительные интервалы содействующих оценок.

Чтобы получить любой из этих столбцов как вектор, индексируйте в свойство с помощью записи через точку. Например, получите предполагаемый вектор коэффициентов в модели mdl:

beta = mdl.Coefficients.Estimate

Типы данных: table

Это свойство доступно только для чтения.

Диагностическая информация для модели, заданной как таблица. Диагностика может помочь идентифицировать выбросы и влиятельные наблюдения. Diagnostics содержит следующие поля.

Поле ЗначениеУтилита
LeverageДиагональные элементы HatMatrixРычаги указывают, до какой степени ожидаемое значение для наблюдения определяется наблюдаемой величиной для того наблюдения. Значение близко к 1 указывает, что прогноз в основном определяется тем наблюдением с небольшим вкладом от других наблюдений. Значение близко к 0 указывает, что подгонка в основном определяется другими наблюдениями. Для модели с коэффициентами P и наблюдениями N, средним значением Leverage является P/N. Наблюдение с Leverage, больше, чем 2*P/N, может рассматриваться как имеющий высокие рычаги.
CooksDistanceМера повара масштабированного изменения в подходящих значенияхCooksDistance является мерой масштабированного изменения в подходящих значениях. Наблюдение с CooksDistance, больше, чем три раза расстояние среднего Кука, может быть выбросом.
HatMatrixМатрица проекции, чтобы вычислить адаптированный из наблюдаемых ответовHatMatrix является N-by-N, матрицируют таким образом, что   Fitted = HatMatrix*Y, где Y является вектором отклика и Fitted, является вектором подходящих значений ответа.

Типы данных: table

Это свойство доступно только для чтения.

Степени свободы для ошибки (невязки), равняйтесь количеству наблюдений минус количество предполагаемых коэффициентов, заданных как положительное целое число.

Типы данных: double

Это свойство доступно только для чтения.

Адаптированные (предсказанные) значения на основе входных данных, заданных как числовой вектор. fitnlm пытается сделать Fitted максимально близко к данным об ответе.

Типы данных: single | double

Это свойство доступно только для чтения.

Информация модели, указанная как объект NonLinearFormula.

Отобразите формулу подобранной модели mdl при помощи записи через точку.

mdl.Formula

Это свойство доступно только для чтения.

Информация о подходящем процессе, заданном как структура со следующими полями:

  • InitialCoefs — Начальные содействующие значения (вектор beta0)

  • IterOpts — Опции включены в аргумент пары "имя-значение" Options для fitnlm.

Типы данных: struct

Это свойство доступно только для чтения.

Регистрируйте вероятность образцового распределения в значениях ответа, заданных как числовое значение. Среднее значение адаптировано из модели, и другие параметры оцениваются как часть образцовой подгонки.

Типы данных: single | double

Это свойство доступно только для чтения.

Критерий образцового сравнения, заданного как структура с этими полями:

  • AIC — Критерий информации о Akaike.     AIC = –2*logL + 2*m, где logL является loglikelihood и m, является количеством предполагаемых параметров.

  • AICc — Критерий информации о Akaike исправляется для объема выборки.     AICc = AIC + (2*m*(m+1))/(n–m–1), где n является количеством наблюдений.

  • BIC — Байесов информационный критерий.     BIC = –2*logL + m*log(n).

  • CAIC — Сопоставимый информационный критерий Akaike.     CAIC = –2*logL + m*(log(n)+1).

Информационные критерии являются образцовыми инструментами выбора, которые можно использовать, чтобы сравнить подгонку многоуровневых моделей к тем же данным. Эти критерии являются основанными на вероятности мерами образцовой подгонки, которые включают штраф за сложность (а именно, количество параметров). Различные информационные критерии отличает форма штрафа.

Когда вы сравниваете многоуровневые модели, модель с самым низким информационным значением критерия является моделью оптимальной подгонки. Модель оптимальной подгонки может отличаться в зависимости от критерия, используемого для образцового сравнения.

Чтобы получить любое из значений критерия как скаляр, индексируйте в свойство с помощью записи через точку. Например, получите значение AIC aic в модели mdl:

aic = mdl.ModelCriterion.AIC

Типы данных: struct

Это свойство доступно только для чтения.

Среднеквадратическая ошибка, заданная как числовое значение. Среднеквадратическая ошибка является оценкой отклонения остаточного члена в модели.

Типы данных: single | double

Это свойство доступно только для чтения.

Количество коэффициентов в подобранной модели, заданной как положительное целое число. NumCoefficients совпадает с NumEstimatedCoefficients для объектов NonLinearModel. NumEstimatedCoefficients равен степеням свободы для регрессии.

Типы данных: double

Это свойство доступно только для чтения.

Количество предполагаемых коэффициентов в подобранной модели, заданной как положительное целое число. NumEstimatedCoefficients совпадает с NumCoefficients для объектов NonLinearModel. NumEstimatedCoefficients равен степеням свободы для регрессии.

Типы данных: double

Это свойство доступно только для чтения.

Количество переменных прогноза раньше соответствовало модели, заданной как положительное целое число.

Типы данных: double

Это свойство доступно только для чтения.

Количество переменных во входных данных, заданных как положительное целое число. NumVariables является количеством переменных в исходной таблице или наборе данных или общем количестве столбцов в матрице предиктора и векторе отклика.

NumVariables также включает любые переменные, которые не используются, чтобы соответствовать модели как предикторам или как ответ.

Типы данных: double

Это свойство доступно только для чтения.

Информация наблюдения, указанная как n-by-4 таблица, где n равен количеству строк входных данных. ObservationInfo содержит столбцы, описанные в этой таблице.

СтолбецОписание
WeightsВес наблюдения, заданный как числовое значение. Значением по умолчанию является 1.
ExcludedИндикатор исключенного наблюдения, заданного как логическое значение. Значением является true, если вы исключаете наблюдение из подгонки при помощи аргумента пары "имя-значение" 'Exclude'.
MissingИндикатор недостающего наблюдения, заданного как логическое значение. Значением является true, если наблюдение отсутствует.
SubsetИндикатор того, использует ли подходящая функция наблюдение, заданное как логическое значение. Значением является true, если наблюдение не исключено или пропавшие без вести, означая, что подбор кривой функции использует наблюдение.

Чтобы получить любой из этих столбцов как вектор, индексируйте в свойство с помощью записи через точку. Например, получите вектор веса w модели mdl:

w = mdl.ObservationInfo.Weights

Типы данных: table

Это свойство доступно только для чтения.

Имена наблюдения, заданные как массив ячеек из символьных векторов, содержащий имена наблюдений, используются в подгонке.

  • Если подгонка основана на таблице или наборе данных, содержащем имена наблюдения, ObservationNames использует те имена.

  • В противном случае ObservationNames является массивом пустой ячейки.

Типы данных: cell

Это свойство доступно только для чтения.

Имена предикторов раньше соответствовали модели, заданной как массив ячеек из символьных векторов.

Типы данных: cell

Это свойство доступно только для чтения.

Невязки для подобранной модели, заданной как таблица, которая содержит одну строку для каждого наблюдения и столбцов, описанных в этой таблице.

СтолбецОписание
RawНаблюдаемый минус подходящие значения
PearsonНеобработанные невязки, разделенные полностью среднеквадратическая ошибка (RMSE)
StandardizedНеобработанные невязки разделены на их предполагаемое стандартное отклонение
StudentizedНеобработанная невязка, разделенная на независимую оценку остаточного стандартного отклонения. Невязка для наблюдения i разделена на оценку ошибочного стандартного отклонения на основе всех наблюдений кроме наблюдения i.

Используйте plotResiduals, чтобы создать график невязок. Для получения дополнительной информации смотрите Невязки.

Строки, не используемые в подгонке из-за отсутствующих значений (в ObservationInfo.Missing) или исключенные значения (в ObservationInfo.Excluded), содержат значения NaN.

Чтобы получить любой из этих столбцов как вектор, индексируйте в свойство с помощью записи через точку. Например, получите необработанный вектор невязок r в модели mdl:

r = mdl.Residuals.Raw

Типы данных: table

Это свойство доступно только для чтения.

Имя переменной отклика, заданное как вектор символов.

Типы данных: char

Это свойство доступно только для чтения.

Среднеквадратическая ошибка, заданная как числовое значение. Среднеквадратическая ошибка является оценкой стандартного отклонения остаточного члена в модели.

Типы данных: single | double

Это свойство доступно только для чтения.

Устойчивая подходящая информация, указанная как структура со следующими полями:

Поле Описание
WgtFunУстойчивая функция взвешивания, такая как 'bisquare' (см. robustfit),
TuneЗначение задало для настройки параметра (может быть []),
WeightsВектор весов используется в итоговой итерации устойчивой подгонки

Эта структура пуста, если fitnlm не создал модель с помощью устойчивой регрессии.

Типы данных: struct

Это свойство доступно только для чтения.

Значение R-squared для модели, заданной как структура с двумя полями:

  • Ordinary — Обычный (неприспособленный) R-squared

  • Adjusted — R-squared, настроенный для количества коэффициентов

Значение R-squared является пропорцией полной суммы квадратов, объясненных моделью. Обычное значение R-squared относится к свойствам SSR и SST:

Rsquared = SSR/SST = 1 – SSE/SST,

где SST является полной суммой квадратов, SSE является суммой квадратичных невязок, и SSR является суммой квадратов регрессии.

Для получения дополнительной информации смотрите Коэффициент детерминации (R-Squared).

Чтобы получить любое из этих значений как скаляр, индексируйте в свойство с помощью записи через точку. Например, получите настроенное значение R-squared в модели mdl:

r2 = mdl.Rsquared.Adjusted

Типы данных: struct

Это свойство доступно только для чтения.

Сумма квадратичных невязок (невязки), заданные как числовое значение.

Теорема Пифагора подразумевает

SST = SSE + SSR,

где SST является полной суммой квадратов, SSE является суммой квадратичных невязок, и SSR является суммой квадратов регрессии.

Типы данных: single | double

Это свойство доступно только для чтения.

Сумма квадратов регрессии, заданная как числовое значение. Сумма квадратов регрессии равна сумме отклонений в квадрате подходящих значений от их среднего значения.

Теорема Пифагора подразумевает

SST = SSE + SSR,

где SST является полной суммой квадратов, SSE является суммой квадратичных невязок, и SSR является суммой квадратов регрессии.

Типы данных: single | double

Это свойство доступно только для чтения.

Полная сумма квадратов, заданных как числовое значение. Полная сумма квадратов равна сумме отклонений в квадрате вектора отклика y от mean(y).

Теорема Пифагора подразумевает

SST = SSE + SSR,

где SST является полной суммой квадратов, SSE является суммой квадратичных невязок, и SSR является суммой квадратов регрессии.

Типы данных: single | double

Это свойство доступно только для чтения.

Информация о переменных, содержимых в Variables, заданном как таблица с одной строкой для каждой переменной и столбцов, описана в этой таблице.

СтолбецОписание
ClassПеременный класс, заданный как массив ячеек из символьных векторов, такой как 'double' и 'categorical'
Range

Переменный диапазон, заданный как массив ячеек векторов

  • Непрерывная переменная — Двухэлементный векторный [min,max], минимальные и максимальные значения

  • Категориальная переменная — Вектор отличных значений переменных

InModelИндикатор которого переменные находятся в подобранной модели, заданной как логический вектор. Значением является true, если модель включает переменную.
IsCategoricalИндикатор категориальных переменных, заданных как логический вектор. Значением является true, если переменная является категориальной.

VariableInfo также включает любые переменные, которые не используются, чтобы соответствовать модели как предикторам или как ответ.

Типы данных: table

Это свойство доступно только для чтения.

Имена переменных, заданных как массив ячеек из символьных векторов.

  • Если подгонка основана на таблице или наборе данных, это свойство обеспечивает имена переменных в таблице или наборе данных.

  • Если подгонка основана на матрице предиктора и векторе отклика, VariableNames содержит значения, заданные аргументом пары "имя-значение" 'VarNames' подходящего метода. Значением по умолчанию 'VarNames' является {'x1','x2',...,'xn','y'}.

VariableNames также включает любые переменные, которые не используются, чтобы соответствовать модели как предикторам или как ответ.

Типы данных: cell

Это свойство доступно только для чтения.

Входные данные, заданные как таблица. Variables содержит и предиктор и значения ответа. Если подгонка основана на таблице или массиве набора данных, Variables содержит все данные из массива набора данных или таблицы. В противном случае Variables является таблицей, составленной из матрицы входных данных X и ответ векторный y.

Variables также включает любые переменные, которые не используются, чтобы соответствовать модели как предикторам или как ответ.

Типы данных: table

Методы

coefCIДоверительные интервалы содействующих оценок нелинейной модели регрессии
coefTestЛинейный тест гипотезы на нелинейных коэффициентах модели регрессии
dispОтобразите нелинейную модель регрессии
fevalОцените нелинейный прогноз модели регрессии
подгонка(Не Рекомендуемый) Подходящая нелинейная модель регрессии
plotDiagnosticsПостройте диагностику нелинейной модели регрессии
plotResidualsПостройте невязки нелинейной модели регрессии
plotSliceГрафик срезов через подходящую нелинейную поверхность регрессии
предсказатьПредскажите ответ нелинейной модели регрессии
случайныйМоделируйте ответы для нелинейной модели регрессии

Копировать семантику

Значение. Чтобы изучить, как классы значения влияют на операции копии, смотрите Копирование Объектов (MATLAB).

Примеры

свернуть все

Соответствуйте нелинейной модели регрессии для автоматического пробега на основе данных carbig. Предскажите пробег среднего автомобиля.

Загрузите выборочные данные. Создайте матричный X, содержащий измерения для лошадиной силы (Horsepower) и вес (Weight) каждого автомобиля. Создайте векторный y, содержащий значения ответа в милях на галлон (MPG).

load carbig
X = [Horsepower,Weight];
y = MPG;

Соответствуйте нелинейной модели регрессии.

modelfun = @(b,x)b(1) + b(2)*x(:,1).^b(3) + ...
    b(4)*x(:,2).^b(5);
beta0 = [-50 500 -1 500 -1];
mdl = fitnlm(X,y,modelfun,beta0)
mdl = 
Nonlinear regression model:
    y ~ b1 + b2*x1^b3 + b4*x2^b5

Estimated Coefficients:
          Estimate      SE        tStat       pValue 
          ________    _______    ________    ________

    b1     -49.383     119.97    -0.41164     0.68083
    b2      376.43     567.05     0.66384     0.50719
    b3    -0.78193    0.47168     -1.6578    0.098177
    b4      422.37     776.02     0.54428     0.58656
    b5    -0.24127    0.48325    -0.49926     0.61788


Number of observations: 392, Error degrees of freedom: 387
Root Mean Squared Error: 3.96
R-Squared: 0.745,  Adjusted R-Squared 0.743
F-statistic vs. constant model: 283, p-value = 1.79e-113

Найдите предсказанный пробег среднего значения автоматическим. Поскольку выборочные данные содержат немного недостающие (NaN) наблюдения, вычислите среднее значение с помощью nanmean.

Xnew = nanmean(X)  
Xnew = 1×2
103 ×

    0.1051    2.9794

MPGnew = predict(mdl,Xnew)
MPGnew = 21.8073

Больше о

развернуть все

Для просмотра документации необходимо авторизоваться на сайте