Выберите функцию регрессии

Регрессия является процессом того, чтобы подбирать модели к данным. Модели должны иметь числовые ответы. Для моделей с категориальными ответами смотрите Параметрическую Классификацию или Контролируемое Изучение Рабочего процесса и Алгоритмов. Процесс регрессии зависит от модели. Если модель является параметрической, регрессия оценивает параметры из данных. Если модель линейна в параметрах, оценка основана на методах от линейной алгебры, которые минимизируют норму вектора невязок. Если модель нелинейна в параметрах, оценка основана на методах поиска от оптимизации, которые минимизируют норму вектора невязок.

Эта таблица описывает который функция использовать в зависимости от типа проблемы регрессии.

Компоненты модели	Результат регрессии	Функция, чтобы использовать
Непрерывные или категориальные предикторы, непрерывный ответ, линейная модель	Коэффициенты подобранной модели	`fitlm`. Смотрите линейную регрессию.
Непрерывные или категориальные предикторы, непрерывный ответ, линейная модель неизвестной сложности	Подобранная модель и адаптированные коэффициенты	`stepwiselm`. Смотрите ступенчатую регрессию.
Непрерывные или категориальные предикторы, ответ возможно с ограничениями, такими как неотрицательная или обобщенная линейная модель с целочисленным знаком	Подходящие обобщенные линейные коэффициенты модели	`fitglm` или `stepwiseglm`. См. обобщенные линейные модели.
Непрерывные предикторы с непрерывным нелинейным ответом, параметризованной нелинейной моделью	Подходящие нелинейные коэффициенты модели	`fitnlm`. Смотрите нелинейную регрессию.
Непрерывные предикторы, непрерывный ответ, линейная модель	Набор моделей от гребня, лассо или эластичной сетевой регрессии	`lasso` или `ridge`. Смотрите лассо и эластичную сетевую или гребенчатую регрессию.
Коррелированые непрерывные предикторы, непрерывный ответ, линейная модель	Подобранная модель и адаптированные коэффициенты	`plsregress`. Смотрите частичные наименьшие квадраты.
Непрерывные или категориальные предикторы, непрерывный ответ, неизвестная модель	Непараметрическая модель	`fitrtree` или `fitrensemble`.
Категориальные предикторы только	ДИСПЕРСИОННЫЙ АНАЛИЗ	`anova`, `anova1`, `anova2`, `anovan`.
Непрерывные предикторы, многомерный ответ, линейная модель	Подходящие многомерные коэффициенты модели регрессии	`mvregress`
Непрерывные предикторы, непрерывный ответ, модель смешанных эффектов	Подходящие коэффициенты модели смешанных эффектов	`nlmefit` или `nlmefitsa`. См. модели Смешанных Эффектов.

Обновите унаследованный код с новыми подходящими методами

Существует несколько функций Statistics and Machine Learning Toolbox™ для выполнения регрессии. Следующие разделы описывают, как заменить вызовы более старых функций к новым версиям:

`regress` в `fitlm`

Предыдущий синтаксис:

[b,bint,r,rint,stats] = regress(y,X)

где X содержит столбец из единиц.

Текущий синтаксис:

mdl = fitlm(X,y)

где вы не добавляете столбец из единиц к X.

Эквивалентные стоимости предыдущих выходных параметров:

b — mdl.Coefficients.Estimate
bint — coefCI(mdl)
r — mdl.Residuals.Raw
rint — Нет никакого точного эквивалента. Попытайтесь исследовать mdl.Residuals.Studentized найти выбросы.
stats — mdl содержит различные свойства, которые заменяют компоненты stats.

`regstats` в `fitlm`

Предыдущий синтаксис:

stats = regstats(y,X,model,whichstats)

Текущий синтаксис:

mdl = fitlm(X,y,model)

Получите статистику из свойств и методов mdl. Например, смотрите mdl.Diagnostics и mdl.Residuals свойства.

`robustfit` в `fitlm`

Предыдущий синтаксис:

[b,stats] = robustfit(X,y,wfun,tune,const)

Текущий синтаксис:

mdl = fitlm(X,y,'robust','on') % bisquare

Или использовать wfun вес и tune настройка параметра:

opt.RobustWgtFun = 'wfun';
opt.Tune = tune; % optional
mdl = fitlm(X,y,'robust',opt)

Получите статистику из свойств и методов mdl. Например, смотрите mdl.Diagnostics и mdl.Residuals свойства.

`stepwisefit` в `stepwiselm`

Предыдущий синтаксис:

[b,se,pval,inmodel,stats,nextstep,history] = stepwisefit(X,y,Name,Value)

Текущий синтаксис:

mdl = stepwiselm(ds,modelspec,Name,Value)

или

mdl = stepwiselm(X,y,modelspec,Name,Value)

Получите статистику из свойств и методов mdl. Например, смотрите mdl.Diagnostics и mdl.Residuals свойства.

`glmfit` в `fitglm`

Предыдущий синтаксис:

[b,dev,stats] = glmfit(X,y,distr,param1,val1,...)

Текущий синтаксис:

mdl = fitglm(X,y,distr,...)

Получите статистику из свойств и методов mdl. Например, отклонением является mdl.Deviance, и сравнить mdl против постоянной модели используйте devianceTest(mdl).

`nlinfit` в `fitnlm`

Предыдущий синтаксис:

[beta,r,J,COVB,mse] = nlinfit(X,y,fun,beta0,options)

Текущий синтаксис:

mdl = fitnlm(X,y,fun,beta0,'Options',options)

Эквивалентные стоимости предыдущих выходных параметров:

beta — mdl.Coefficients.Estimate
r — mdl.Residuals.Raw
covb — mdl.CoefficientCovariance
mse — mdl.mse

mdl не обеспечивает якобиан (Jвывод . Основная цель J должен был передать его в nlparci или nlpredci получить доверительные интервалы для предполагаемых коэффициентов (параметры) или предсказания. Получите те доверительные интервалы как:

parci = coefCI(mdl)
[pred,predci] = predict(mdl)

Документация