Exponenta Banner

Регрессия

Линейные, обобщенные линейные, нелинейные, и непараметрические методы для контролируемого изучения

Модели регрессии описывают отношение между ответом (вывод) переменная и одним или несколькими предикторами (вход) переменные. Statistics and Machine Learning Toolbox™ позволяет вам соответствовать линейный, обобщил линейные, и нелинейные модели регрессии, включая пошаговые модели и модели смешанных эффектов. Если вы подбираете модель, можно использовать ее, чтобы предсказать или моделировать ответы, оценить образцовые подходящие тесты гипотезы использования или графики использования визуализировать диагностику, невязки и эффекты взаимодействия.

Statistics and Machine Learning Toolbox также предоставляет непараметрические методы регрессии, чтобы разместить более комплексные кривые регрессии, не задавая отношение между ответом и предикторами с предопределенной функцией регрессии. Можно предсказать ответы для новых данных с помощью обученной модели. Гауссовы модели регрессии процесса также позволяют вам вычислить интервалы прогноза.

Основы регрессии

Популярные примеры

Fitting Data with Generalized Linear Models

Подбор кривой данным с обобщенными линейными моделями

Соответствуйте и оцените обобщенные линейные модели с помощью glmfit и glmval. Обычная линейная регрессия может использоваться, чтобы соответствовать прямой линии или любой функции, которая линейна в ее параметрах к данным с нормально распределенными ошибками. Это - обычно используемая модель регрессии; однако, это - не всегда реалистическое. Обобщенные линейные модели расширяют линейную модель двумя способами. Во-первых, предположение о линейности в параметрах ослабляется путем представления функции ссылки. Во-вторых, распределения ошибок кроме нормального могут быть смоделированы

Открыть скрипт
Bayesian Analysis for a Logistic Regression Model

Байесов анализ для модели логистической регрессии

Сделайте Байесовы выводы для модели логистической регрессии использованием slicesample.

Открыть скрипт
Weighted Nonlinear Regression

Взвешенная нелинейная регрессия

Соответствуйте нелинейной модели регрессии для данных с непостоянным ошибочным отклонением.

Открыть скрипт
Partial Least Squares Regression and Principal Components Regression

Частичная регрессия наименьших квадратов и регрессия основных компонентов

Примените Частичную регрессию наименьших квадратов (PLSR) и Регрессию основных компонентов (PCR), и обсуждает эффективность этих двух методов. PLSR и PCR являются оба методами, чтобы смоделировать переменную отклика, когда существует большое количество переменных прогноза, и те предикторы высоко коррелируются или даже коллинеарные. Оба метода создают новые переменные прогноза, известные как компоненты, как линейные комбинации исходных переменных прогноза, но они создают те компоненты по-разному. PCR создает компоненты, чтобы объяснить наблюдаемую изменчивость в переменных прогноза, не рассматривая переменную отклика вообще. С другой стороны, PLSR действительно принимает переменную отклика во внимание, и поэтому часто приводит к моделям, которые могут соответствовать переменной отклика меньшим количеством компонентов. Переводит ли это в конечном счете в более экономную модель, с точки зрения ее практического применения, зависит от контекста.

Открыть скрипт
Документация Statistics and Machine Learning Toolbox
Поддержка