Этот пример показывает, как выполнить линейные и пошаговые регрессионные анализы с помощью массивов набора данных.
load imports-85
ds = dataset(X(:,7),X(:,8),X(:,9),X(:,15),'Varnames',... {'curb_weight','engine_size','bore','price'});
Соответствуйте модели линейной регрессии, которая объясняет цену автомобиля с точки зрения его собственного веса, объема двигателя и скуки.
fitlm(ds,'price~curb_weight+engine_size+bore')
ans = Linear regression model: price ~ 1 + curb_weight + engine_size + bore Estimated Coefficients: Estimate SE tStat pValue __________ _________ _______ __________ (Intercept) 64.095 3.703 17.309 2.0481e-41 curb_weight -0.0086681 0.0011025 -7.8623 2.42e-13 engine_size -0.015806 0.013255 -1.1925 0.23452 bore -2.6998 1.3489 -2.0015 0.046711 Number of observations: 201, Error degrees of freedom: 197 Root Mean Squared Error: 3.95 R-squared: 0.674, Adjusted R-Squared: 0.669 F-statistic vs. constant model: 136, p-value = 1.14e-47
Команда fitlm(ds)
также возвращает тот же результат, потому что fitlm
, по умолчанию, принимает переменную прогноза, находится в последнем столбце массива набора данных ds
.
На этот раз поместите переменную отклика в первый столбец массива набора данных.
ds = dataset(X(:,15),X(:,7),X(:,8),X(:,9),'Varnames',... {'price','curb_weight','engine_size','bore'});
Когда переменная отклика будет в первом столбце ds
, задайте его местоположение. Например, fitlm
, по умолчанию, принимает, что bore
является переменной отклика. Можно задать переменную отклика в модели с помощью также:
fitlm(ds,'ResponseVar','price');
или
fitlm(ds,'ResponseVar',logical([1 0 0 0]));
stepwiselm(ds,'quadratic','lower','price~1',... 'ResponseVar','price')
1. Removing bore^2, FStat = 0.01282, pValue = 0.90997 2. Removing engine_size^2, FStat = 0.078043, pValue = 0.78027 3. Removing curb_weight:bore, FStat = 0.70558, pValue = 0.40195
ans = Linear regression model: price ~ 1 + curb_weight*engine_size + engine_size*bore + curb_weight^2 Estimated Coefficients: Estimate SE tStat pValue ___________ __________ _______ __________ (Intercept) 131.13 14.273 9.1873 6.2319e-17 curb_weight -0.043315 0.0085114 -5.0891 8.4682e-07 engine_size -0.17102 0.13844 -1.2354 0.21819 bore -12.244 4.999 -2.4493 0.015202 curb_weight:engine_size -6.3411e-05 2.6577e-05 -2.386 0.017996 engine_size:bore 0.092554 0.037263 2.4838 0.013847 curb_weight^2 8.0836e-06 1.9983e-06 4.0451 7.5432e-05 Number of observations: 201, Error degrees of freedom: 194 Root Mean Squared Error: 3.59 R-squared: 0.735, Adjusted R-Squared: 0.726 F-statistic vs. constant model: 89.5, p-value = 3.58e-53
Первоначальная модель является формулой корней квадратного уравнения, и самая низкая рассмотренная модель является константой. Здесь, stepwiselm
выполняет обратный метод устранения, чтобы определить члены в модели. Итоговой моделью является price ~ 1 + curb_weight*engine_size + engine_size*bore + curb_weight^2
, который соответствует
где цена, собственный вес, объем двигателя, скука, коэффициент для соответствующего члена в модели, и остаточный член. Итоговая модель включает все три основных эффекта, эффекты взаимодействия для собственного веса и объема двигателя и объема двигателя и скуки и термина второго порядка для собственного веса.
LinearModel
| fitlm
| stepwiselm