Для большей точности и функционального ссылкой выбора на низком - через средние размерные наборы данных, подбирайте обобщенную линейную модель с помощью fitglm.
Для сокращения времени вычисления на высоко-размерных наборах данных обучите двоичный файл, линейную модель классификации, такую как модель логистической регрессии, с помощью fitclinear. Можно также эффективно обучить модель выходных кодов с коррекцией ошибок (ECOC) мультикласса, состоявшую из моделей логистической регрессии с помощью fitcecoc.
Для нелинейной классификации с большими данными обучите двоичный файл, Гауссову модель классификации ядер с логистической регрессией с помощью fitckernel.
GeneralizedLinearModel | Обобщенный линейный класс модели регрессии |
CompactGeneralizedLinearModel | Компактный обобщенный линейный класс модели регрессии |
ClassificationLinear | Линейная модель для бинарной классификации высоко-размерных данных |
ClassificationECOC | Модель Multiclass для машин опорных векторов (SVMs) и других классификаторов |
ClassificationKernel | Гауссова модель классификации ядер использование случайного расширения функции |
ClassificationPartitionedLinear | Перекрестная подтвержденная линейная модель для бинарной классификации высоко-размерных данных |
ClassificationPartitionedLinearECOC | Перекрестная подтвержденная линейная выходная модель кода с коррекцией ошибок для классификации мультиклассов высоко-размерных данных |
fitglm | Создайте обобщенную линейную модель регрессии |
stepwiseglm | Создайте обобщенную линейную модель регрессии ступенчатой регрессией |
compact | Компактная обобщенная линейная модель регрессии |
disp | Отобразите обобщенную линейную модель регрессии |
feval | Оцените обобщенный линейный прогноз модели регрессии |
predict | Предскажите ответ обобщенной линейной модели регрессии |
random | Симулируйте ответы для обобщенной линейной модели регрессии |
fitclinear | Подбирайте линейную модель классификации к высоко-размерным данным |
templateLinear | Линейный шаблон ученика классификации |
fitcecoc | Подбирайте модели мультикласса для машин опорных векторов или других классификаторов |
predict | Предскажите метки для линейных моделей классификации |
fitckernel | Подбирайте Гауссову модель классификации ядер использование случайного расширения функции |
predict | Предскажите метки для Гауссовой модели классификации ядер |
plotPartialDependence | Создайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP) |
Обобщенный линейный рабочий процесс модели
Подбирайте обобщенную линейную модель и анализируйте результаты.
Обучите классификаторы логистической регрессии Используя приложение Classification Learner
Создайте и сравните классификаторы логистической регрессии и экспортируйте обученные модели, чтобы сделать прогнозы для новых данных.
Подбор кривой данным с обобщенными линейными моделями
В этом примере показано, как соответствовать и оценить обобщенные линейные модели с помощью glmfit и glmval.
Байесов анализ для модели логистической регрессии
В этом примере показано, как сделать Байесовы выводы для модели логистической регрессии использованием slicesample.
Обобщенные линейные модели используют методы Linear описать потенциально нелинейное отношение между условиями предиктора и переменной отклика.
Модели многочлена для номинальных ответов
Номинальная переменная отклика имеет ограниченный набор возможных значений без естественного порядка между ними. Номинальная модель ответа объясняет и предсказывает вероятность, что наблюдение находится в каждой категории категориальной переменной отклика.
Модели многочлена для порядковых ответов
Порядковая переменная отклика имеет ограниченный набор возможных значений, которые попадают в естественный порядок. Порядковая модель ответа описывает отношение между интегральными вероятностями категорий и переменных предикторов.
Иерархические модели многочлена
Иерархическая переменная отклика многочлена (также известный как последовательный или вложенный ответ многочлена) имеет ограниченный набор возможных значений, которые попадают в иерархические категории. Иерархические модели регрессии многочлена являются расширениями бинарных моделей регрессии на основе условных бинарных наблюдений.
Обозначение Уилкинсона обеспечивает способ описать регрессию и модели повторных измерений, не задавая содействующие значения.
