предсказать

Класс: RepeatedMeasuresModel

Вычислите ожидаемые значения, данные значения предиктора

расширьте все на странице

Синтаксис

ypred = predict(rm,tnew)
ypred = predict(rm,tnew,Name,Value)
[ypred,yci] = predict(___)

Описание

пример

ypred = predict(rm,tnew) возвращает ожидаемые значения в повторную модель rm мер с помощью значений предиктора из таблицы t.

пример

ypred = predict(rm,tnew,Name,Value) возвращает ожидаемые значения в повторную модель rm мер с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value.

Например, можно задать матрицу проекта в предметах.

пример

[ypred,yci] = predict(___) также возвращает 95%-й доверительный интервал для ожидаемых значений.

Входные параметры

развернуть все

Повторная модель мер, возвращенная как объект RepeatedMeasuresModel.

Для свойств и методов этого объекта, смотрите RepeatedMeasuresModel.

Новые данные включая значения переменных отклика и факторов между предметами, используемых в качестве предикторов в повторной модели мер, rm, заданном как таблица. tnew должен содержать все факторы между предметами, используемые, чтобы создать rm.

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Уровень значения доверительных интервалов для ожидаемых значений, заданных как пара, разделенная запятой, состоящая из 'alpha' и скалярного значения в области значений от 0 до 1. Доверительный уровень равняется 100* (1–alpha) %.

Пример: 'alpha',0.01

Типы данных: double | single

Модель для факторов в предмете, заданных как пара, разделенная запятой, состоящая из 'WithinModel' и одно из следующего:

  • 'separatemeans' — Вычислите отдельное среднее значение для каждой группы.

  • 'orthogonalcontrasts' — Допустимый, когда проект в предмете состоит из одного числового факторного T. Это задает модель, состоящую из ортогональных полиномов, чтобы заказать T (r-1), где r является количеством повторных мер.

  • Вектор символов или скаляр строки, который задает образцовую спецификацию в факторах в предмете.

Пример: 'WithinModel','orthogonalcontrasts'

Типы данных: char | string

Разработайте для факторов в предмете, заданных как пара, разделенная запятой, состоящая из 'WithinDesign' и вектора, матрицы или таблицы. Это обеспечивает, значения в предмете включает ту же форму как свойство RM.WithinDesign.

Пример: 'WithinDesign','Time'

Типы данных: single | double | table

Выходные аргументы

развернуть все

Ожидаемые значения из повторной модели rm мер, возвращенной как n-by-r матрица, где n является количеством строк в tnew и r, являются количеством повторных мер в rm.

Доверительные интервалы для ожидаемых значений из повторной модели rm мер, возвращенной как n-by-r-by-2 матрица.

Это неодновременные интервалы для предсказания среднего ответа в заданных значениях предиктора. Для ожидаемого значения ypred(i,j) нижним пределом интервала является yci(i,j,1), и верхним пределом является yci(i,j,2).

Примеры

развернуть все

Скрипт Open Live Script

Загрузите выборочные данные.

load fisheriris

Вектор-столбец, species состоит из ирисовых цветов трех различных разновидностей: setosa, versicolor, и virginica. Двойной матричный meas состоит из четырех типов измерений на цветах: длина и ширина чашелистиков и лепестков в сантиметрах, соответственно.

Храните данные в табличном массиве.

t = table(species,meas(:,1),meas(:,2),meas(:,3),meas(:,4), ...
    'VariableNames',{'species','meas1','meas2','meas3','meas4'});
Meas = dataset([1 2 3 4]','VarNames',{'Measurements'});

Соответствуйте повторной модели мер, где измерения являются ответами, и разновидность является переменной прогноза.

rm = fitrm(t,'meas1-meas4~species','WithinDesign',Meas);

Предскажите ответы для трех разновидностей.

Y = predict(rm,t([1 51 101],:))
Y = 3×4

    5.0060    3.4280    1.4620    0.2460
    5.9360    2.7700    4.2600    1.3260
    6.5880    2.9740    5.5520    2.0260
Скрипт Open Live Script

Загрузите выборочные данные.

load longitudinalData

Матричный Y содержит данные об ответе для 16 человек. Ответ является уровнем в крови препарата, измеренного в пяти моментах времени (время = 0, 2, 4, 6, и 8). Каждая строка Y соответствует человеку, и каждый столбец соответствует моменту времени. Первыми восемью предметами является розетка, и вторыми восемью предметами является штекер. Это - моделируемые данные.

Задайте переменную, которая хранит гендерную информацию.

Gender = ['F' 'F' 'F' 'F' 'F' 'F' 'F' 'F' 'M' 'M' 'M' 'M' 'M' 'M' 'M' 'M']';

Храните данные в соответствующем табличном формате массивов, чтобы выполнить повторенный анализ мер.

t = table(Gender,Y(:,1),Y(:,2),Y(:,3),Y(:,4),Y(:,5), ...
    'VariableNames',{'Gender','t0','t2','t4','t6','t8'});

Задайте переменную в предметах.

Time = [0 2 4 6 8]';

Соответствуйте повторной модели мер, где уровни в крови являются ответами, и пол является переменной прогноза.

rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time);

Предскажите ответы в промежуточные времена.

time = linspace(0,8)';
Y = predict(rm,t([1 5 8 12],:), ...
    'WithinModel','orthogonalcontrasts','WithinDesign',time);

Постройте прогнозы наряду с предполагаемыми крайними средними значениями.

plotprofile(rm,'Time','Group',{'Gender'})
hold on; 
plot(time,Y,'Color','k','LineStyle',':');
legend('Gender=F','Gender=M','Predictions')
hold off

Скрипт Open Live Script

Загрузите выборочные данные.

load longitudinalData

Матричный Y содержит данные об ответе для 16 человек. Ответ является уровнем в крови препарата, измеренного в пяти моментах времени (время = 0, 2, 4, 6, и 8). Каждая строка Y соответствует человеку, и каждый столбец соответствует моменту времени. Первыми восемью предметами является розетка, и вторыми восемью предметами является штекер. Это - моделируемые данные.

Задайте переменную, которая хранит гендерную информацию.

Gender = ['F' 'F' 'F' 'F' 'F' 'F' 'F' 'F' 'M' 'M' 'M' 'M' 'M' 'M' 'M' 'M']';

Храните данные в соответствующем табличном формате массивов, чтобы выполнить повторенный анализ мер.

t = table(Gender,Y(:,1),Y(:,2),Y(:,3),Y(:,4),Y(:,5), ...
    'VariableNames',{'Gender','t0','t2','t4','t6','t8'});

Задайте переменную в предметах.

Time = [0 2 4 6 8]';

Соответствуйте повторной модели мер, где уровни в крови являются ответами, и пол является переменной прогноза.

rm = fitrm(t,'t0-t8 ~ Gender','WithinDesign',Time);

Предскажите ответы в промежуточные времена.

time = linspace(0,8)';
[ypred,ypredci] = predict(rm,t([1 5 8 12],:), ...
    'WithinModel','orthogonalcontrasts','WithinDesign',time);

Постройте прогнозы и доверительные интервалы для прогнозов наряду с предполагаемыми крайними средними значениями.

p1 = plotprofile(rm,'Time','Group',{'Gender'});
hold on; 
p2 = plot(time,ypred,'Color','k','LineStyle',':');
p3 = plot(time,ypredci(:,:,1),'k--');
p4 = plot(time,ypredci(:,:,2),'k--');
legend([p1;p2(1);p3(1)],'Gender=F','Gender=M','Predictions','Confidence Intervals')
hold off

Смотрите также

|

Документация Statistics and Machine Learning Toolbox
Поддержка
Для просмотра документации необходимо авторизоваться на сайте