Компактная модель линейной регрессии
CompactLinearModel
компактная версия полного объекта модели линейной регрессии LinearModel
. Поскольку компактная модель не хранит входные данные, используемые, чтобы подбирать модель или информацию, связанную с подходящим процессом, CompactLinearModel
объект использует меньше памяти, чем LinearModel
объект. Можно все еще использовать компактную модель, чтобы предсказать ответы с помощью новых входных данных, но некоторого LinearModel
объектные функции не работают с компактной моделью.
Создайте CompactLinearModel
модель от полного, обученного LinearModel
модель при помощи compact
.
CoefficientCovariance
— Ковариационная матрица содействующих оценокЭто свойство доступно только для чтения.
Ковариационная матрица коэффициента оценивает в виде p-by-p матрицу числовых значений. p является количеством коэффициентов в подобранной модели.
Для получения дополнительной информации смотрите Содействующие Стандартные погрешности и Доверительные интервалы.
Типы данных: single
| double
CoefficientNames
— Содействующие именаЭто свойство доступно только для чтения.
Коэффициент называет в виде массива ячеек из символьных векторов, каждый содержащий имя соответствующего термина.
Типы данных: cell
Coefficients
— Содействующие значенияЭто свойство доступно только для чтения.
Содействующие значения в виде таблицы. Coefficients
содержит одну строку для каждого коэффициента и этих столбцов:
Estimate
— Предполагаемое содействующее значение
SE
— Стандартная погрешность оценки
tStat
— t - статистическая величина для теста, что коэффициент является нулем
pValue
— p - значение для t - статистическая величина
Используйте anova
(только для модели линейной регрессии) или coefTest
выполнять другие тесты на коэффициентах. Используйте coefCI
найти доверительные интервалы содействующих оценок.
Чтобы получить любой из этих столбцов как вектор, индексируйте в свойство с помощью записи через точку. Например, получите предполагаемый вектор коэффициентов в модели mdl
:
beta = mdl.Coefficients.Estimate
Типы данных: table
NumCoefficients
— Количество коэффициентов моделиЭто свойство доступно только для чтения.
Количество коэффициентов модели в виде положительного целого числа. NumCoefficients
включает коэффициенты, которые обнуляются, когда условия модели имеют неполный ранг.
Типы данных: double
NumEstimatedCoefficients
— Количество предполагаемых коэффициентовЭто свойство доступно только для чтения.
Количество предполагаемых коэффициентов в модели в виде положительного целого числа. NumEstimatedCoefficients
не включает коэффициенты, которые обнуляются, когда условия модели имеют неполный ранг. NumEstimatedCoefficients
степени свободы для регрессии.
Типы данных: double
DFE
— Степени свободы для ошибкиЭто свойство доступно только для чтения.
Степени свободы для ошибки (остаточные значения), равняйтесь количеству наблюдений минус количество предполагаемых коэффициентов в виде положительного целого числа.
Типы данных: double
LogLikelihood
— Логарифмическая правдоподобностьЭто свойство доступно только для чтения.
Логарифмическая правдоподобность значений ответа в виде числового значения, основанного на предположении, что каждое значение ответа следует за нормальным распределением. Среднее значение нормального распределения является подходящим (предсказанным) значением ответа, и отклонением является MSE
.
Типы данных: single
| double
ModelCriterion
— Критерий сравнения моделиЭто свойство доступно только для чтения.
Критерий сравнения модели в виде структуры с этими полями:
AIC
— Критерий информации о Akaike. AIC = –2*logL + 2*m
, где logL
логарифмическая правдоподобность и m
количество предполагаемых параметров.
AICc
— Критерий информации о Akaike откорректирован для объема выборки. AICc = AIC + (2*m*(m + 1))/(n – m – 1)
, где n
количество наблюдений.
BIC
— Байесов информационный критерий. BIC = –2*logL + m*log(n)
.
CAIC
— Сопоставимый информационный критерий Akaike. CAIC = –2*logL + m*(log(n) + 1)
.
Информационные критерии являются инструментами выбора модели, которые можно использовать, чтобы сравнить подгонку многоуровневых моделей к тем же данным. Эти критерии являются основанными на вероятности мерами подгонки модели, которые включают штраф за сложность (а именно, количество параметров). Различные информационные критерии отличает форма штрафа.
Когда вы сравниваете многоуровневые модели, модель с самым низким информационным значением критерия является моделью оптимальной подгонки. Модель оптимальной подгонки может варьироваться в зависимости от критерия, используемого в сравнении модели.
Чтобы получить любое из значений критерия как скаляр, индексируйте в свойство с помощью записи через точку. Например, получите значение AIC aic
в модели mdl
:
aic = mdl.ModelCriterion.AIC
Типы данных: struct
MSE
— Среднеквадратическая ошибкаЭто свойство доступно только для чтения.
Среднеквадратическая ошибка (остаточные значения) в виде числового значения.
MSE = SSE / DFE,
где MSE является среднеквадратической ошибкой, SSE является суммой квадратичных невязок, и DFE является степенями свободы.
Типы данных: single
| double
RMSE
— Среднеквадратическая ошибкаЭто свойство доступно только для чтения.
Среднеквадратическая ошибка (остаточные значения) в виде числового значения.
RMSE = sqrt (MSE),
где RMSE является среднеквадратической ошибкой, и MSE является среднеквадратической ошибкой.
Типы данных: single
| double
Rsquared
— Значение R-squared для моделиЭто свойство доступно только для чтения.
Значение R-squared для модели в виде структуры с двумя полями:
Ordinary
— Обычный (неприспособленный) R-squared
Adjusted
— R-squared, настроенный для количества коэффициентов
Значение R-squared является пропорцией полной суммы квадратов, объясненных моделью. Обычное значение R-squared относится к SSR
и SST
свойства:
Rsquared = SSR/SST
,
где SST
полная сумма квадратов и SSR
сумма квадратов регрессии.
Для получения дополнительной информации смотрите Коэффициент детерминации (R-Squared).
Чтобы получить любое из этих значений как скаляр, индексируйте в свойство с помощью записи через точку. Например, получите настроенное значение R-squared в модели mdl
:
r2 = mdl.Rsquared.Adjusted
Типы данных: struct
SSE
— Сумма квадратичных невязокЭто свойство доступно только для чтения.
Сумма квадратичных невязок (остаточные значения) в виде числового значения.
Теорема Пифагора подразумевает
SST = SSE + SSR
,
где SST
полная сумма квадратов, SSE
сумма квадратичных невязок и SSR
сумма квадратов регрессии.
Типы данных: single
| double
SSR
— Сумма квадратов регрессииЭто свойство доступно только для чтения.
Сумма квадратов регрессии в виде числового значения. Сумма квадратов регрессии равна сумме отклонений в квадрате подходящих значений от их среднего значения.
Теорема Пифагора подразумевает
SST = SSE + SSR
,
где SST
полная сумма квадратов, SSE
сумма квадратичных невязок и SSR
сумма квадратов регрессии.
Типы данных: single
| double
SST
— Полная сумма квадратовЭто свойство доступно только для чтения.
Полная сумма квадратов в виде числового значения. Полная сумма квадратов равна сумме отклонений в квадрате вектора отклика y
от mean(y)
.
Теорема Пифагора подразумевает
SST = SSE + SSR
,
где SST
полная сумма квадратов, SSE
сумма квадратичных невязок и SSR
сумма квадратов регрессии.
Типы данных: single
| double
Robust
— Устойчивая подходящая информацияЭто свойство доступно только для чтения.
Устойчивая подходящая информация в виде структуры с полями, описанными в этой таблице.
Поле | Описание |
---|---|
WgtFun | Устойчивая функция взвешивания, такая как 'bisquare' (см. 'RobustOpts' ) |
Tune | Постоянная настройка. Это поле пусто ([] ) если WgtFun 'ols' или если WgtFun указатель на функцию для пользовательской функции веса со значением по умолчанию, настраивающим постоянный 1. |
Weights | Вектор весов используется в итоговой итерации устойчивой подгонки. Это поле пусто для CompactLinearModel объект. |
Эта структура пуста, если вы не подбираете модель с помощью устойчивой регрессии.
Типы данных: struct
Formula
— Информация моделиLinearFormula
объектЭто свойство доступно только для чтения.
Информация модели в виде LinearFormula
объект.
Отобразите формулу подобранной модели mdl
использование записи через точку:
mdl.Formula
NumObservations
— Количество наблюденийЭто свойство доступно только для чтения.
Количество наблюдений подходящая функция используется в подборе кривой в виде положительного целого числа. NumObservations
количество наблюдений, предоставленных в исходной таблице, наборе данных или матрице, минус любые исключенные строки (набор с 'Exclude'
аргумент пары "имя-значение") или строки с отсутствующими значениями.
Типы данных: double
NumPredictors
— Количество переменных предикторовЭто свойство доступно только для чтения.
Количество переменных предикторов раньше подбирало модель в виде положительного целого числа.
Типы данных: double
NumVariables
— Количество переменныхЭто свойство доступно только для чтения.
Количество переменных во входных данных в виде положительного целого числа. NumVariables
количество переменных в исходной таблице или наборе данных или общем количестве столбцов в матрице предиктора и векторе отклика.
NumVariables
также включает любые переменные, которые не используются, чтобы подбирать модель как предикторы или как ответ.
Типы данных: double
PredictorNames
— Имена предикторов раньше подбирали модельЭто свойство доступно только для чтения.
Имена предикторов раньше подбирали модель в виде массива ячеек из символьных векторов.
Типы данных: cell
ResponseName
— Имя переменной откликаЭто свойство доступно только для чтения.
Имя переменной отклика в виде вектора символов.
Типы данных: char
VariableInfo
— Информация о переменныхЭто свойство доступно только для чтения.
Информация о переменных содержится в Variables
В виде таблицы с одной строкой для каждой переменной и столбцов, описанных в этой таблице.
Столбец | Описание |
---|---|
Class | Переменный класс в виде массива ячеек из символьных векторов, такого как 'double' и 'categorical' |
Range | Переменный диапазон в виде массива ячеек векторов
|
InModel | Индикатор которого переменные находятся в подобранной модели в виде логического вектора. Значением является true если модель включает переменную. |
IsCategorical | Индикатор категориальных переменных в виде логического вектора. Значением является true если переменная является категориальной. |
VariableInfo
также включает любые переменные, которые не используются, чтобы подбирать модель как предикторы или как ответ.
Типы данных: table
VariableNames
— Имена переменныхЭто свойство доступно только для чтения.
Имена переменных в виде массива ячеек из символьных векторов.
Если подгонка основана на таблице или наборе данных, это свойство обеспечивает имена переменных в таблице или наборе данных.
Если подгонка основана на матрице предиктора и векторе отклика, VariableNames
содержит значения, заданные 'VarNames'
аргумент пары "имя-значение" подходящего метода. Значение по умолчанию 'VarNames'
{'x1','x2',...,'xn','y'}
.
VariableNames
также включает любые переменные, которые не используются, чтобы подбирать модель как предикторы или как ответ.
Типы данных: cell
plotEffects | Постройте основные эффекты предикторов в модели линейной регрессии |
plotInteraction | Постройте эффекты взаимодействия двух предикторов в модели линейной регрессии |
plotPartialDependence | Создайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP) |
plotSlice | График срезов через подходящую поверхность линейной регрессии |
Подбирайте модель линейной регрессии к данным и уменьшайте размер полной, подбиравшей модели линейной регрессии путем отбрасывания выборочных данных и некоторой информации, связанной с подходящим процессом.
Загрузите largedata4reg
набор данных, который содержит 15 000 наблюдений и 45 переменных предикторов.
load largedata4reg
Подбирайте модель линейной регрессии к данным.
mdl = fitlm(X,Y);
Уплотните модель.
compactMdl = compact(mdl);
Компактная модель отбрасывает исходные выборочные данные и некоторую информацию, связанную с подходящим процессом.
Сравните размер полной модели mdl
и компактная модель compactMdl
.
vars = whos('compactMdl','mdl'); [vars(1).bytes,vars(2).bytes]
ans = 1×2
81538 11408530
Компактная модель использует меньше памяти, чем полная модель.
Указания и ограничения по применению:
Когда вы подбираете модель при помощи fitlm
или stepwiselm
, вы не можете снабдить обучающими данными в таблице, которая содержит логический вектор, символьный массив, категориальный массив, массив строк или массив ячеек из символьных векторов. Кроме того, вы не можете использовать 'CategoricalVars'
аргумент пары "имя-значение". Генерация кода не поддерживает категориальные предикторы. Чтобы включать категориальные предикторы в модель, предварительно обработайте категориальные предикторы при помощи dummyvar
прежде, чем подбирать модель.
Для получения дополнительной информации смотрите Введение в Генерацию кода.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.