Регрессия

Линейные, обобщенные линейные, нелинейные, и непараметрические методы для контролируемого изучения

Модели регрессии описывают отношение между ответом (выход) переменная и одним или несколькими предикторами (вход) переменные. Statistics and Machine Learning Toolbox™ позволяет вам подбирать линейные, обобщенные линейные, и нелинейные модели регрессии, включая пошаговые модели и модели смешанных эффектов. Если вы подбираете модель, можно использовать ее, чтобы предсказать или моделировать ответы, оценить качество модели используя проверку гипотезы или используя графики для визуализации диагностики, невязки и эффекты взаимодействия.

Statistics and Machine Learning Toolbox также предоставляет непараметрические методы регрессии, чтобы разместить более комплексные кривые регрессии, не задавая отношение между ответом и предикторами с предопределенной функцией регрессии. Можно предсказать ответы для новых данных с помощью обученной модели. Гауссовы модели регрессии процесса также позволяют вам вычислить интервалы предсказания.

Основы регрессии

Рекомендуемые примеры

Fitting Data with Generalized Linear Models

Подбор кривой данным с обобщенными линейными моделями

Соответствуйте и оцените обобщенные линейные модели с помощью glmfit и glmval.

Открыть скрипт
Bayesian Analysis for a Logistic Regression Model

Байесов анализ для модели логистической регрессии

Сделайте Байесовы выводы для модели логистической регрессии использованием slicesample.

Открыть скрипт
Weighted Nonlinear Regression

Взвешенная нелинейная регрессия

Подбирайте нелинейную модель регрессии для данных с непостоянным ошибочным отклонением.

Открыть скрипт
Partial Least Squares Regression and Principal Components Regression

Частичная регрессия наименьших квадратов и регрессия основных компонентов

Примените Частичную регрессию наименьших квадратов (PLSR) и Регрессию основных компонентов (PCR), и обсуждает эффективность этих двух методов. PLSR и PCR являются оба методами, чтобы смоделировать переменную отклика, когда существует большое количество переменных предикторов, и те предикторы высоко коррелируются или даже коллинеарные. Оба метода создают новые переменные предикторы, известные как компоненты, как линейные комбинации исходных переменных предикторов, но они создают те компоненты по-разному. PCR создает компоненты, чтобы объяснить наблюдаемую изменчивость в переменных предикторах, не рассматривая переменную отклика вообще. С другой стороны, PLSR действительно принимает переменную отклика во внимание, и поэтому часто приводит к моделям, которые могут соответствовать переменной отклика меньшим количеством компонентов. Переводит ли это в конечном счете в более экономную модель, в терминах ее практического применения, зависит от контекста.

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