Для большей точности на низком - через средние размерные наборы данных, реализуйте регрессию наименьших квадратов с регуляризацией с помощью lasso или ridge.
В течение уменьшаемого времени вычисления на высоко-размерных наборах данных соответствуйте упорядоченной модели линейной регрессии использование fitrlinear.
lasso | Ловите арканом или эластичная сетевая регуляризация для линейных моделей |
ridge | Гребенчатая регрессия |
lassoPlot | Проследите график подгонки лассо |
fitrlinear | Подходящая модель линейной регрессии к высоко-размерным данным |
predict | Предскажите ответ модели линейной регрессии |
plotPartialDependence | Создайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP) |
RegressionLinear | Модель линейной регрессии для высоко-размерных данных |
RegressionPartitionedLinear | Перекрестная подтвержденная модель линейной регрессии для высоко-размерных данных |
Смотрите, как lasso идентифицирует и отбрасывает ненужные предикторы.
Ловите арканом и эластичная сеть с перекрестной проверкой
Предскажите пробег (MPG) автомобиля на основе его веса, смещения, лошадиной силы и ускорения с помощью lasso и эластичной сети.
Широкие Данные через Лассо и Параллельные вычисления
Идентифицируйте важные предикторы с помощью lasso и перекрестной проверки.
Ловите арканом и эластичная сеть
Алгоритм lasso является методом регуляризации и средством оценки уменьшения. Связанный эластичный сетевой алгоритм более подходит, когда предикторы высоко коррелируются.
Гребенчатая регрессия решает проблему мультиколлинеарности (коррелируемые образцовые условия) в проблемах линейной регрессии.