random

Симулируйте ответы со случайным шумом для модели линейной регрессии

Синтаксис

ysim = random(mdl,Xnew)

Описание

ysim = random(mdl,Xnew) симулирует ответы на данные о предикторе в Xnew использование линейной модели mdl, добавление случайного шума.

Примеры

свернуть все

Симулируйте данные об ответе со случайным шумом

Скрипт Open Live Script

Создайте квадратичную модель пробега автомобиля как функция веса от carsmall набор данных.

load carsmall
X = Weight;
y = MPG;
mdl = fitlm(X,y,'quadratic');

Создайте симулированные отклики к данным со случайным шумом.

ysim = random(mdl,X);

Постройте исходные ответы и симулированные отклики, чтобы видеть, как они отличаются.

plot(X,y,'o',X,ysim,'x')
legend('Data','Simulated')

Входные параметры

свернуть все

`mdl` — Объект модели линейной регрессии
`LinearModel` возразите | `CompactLinearModel` объект

Объект модели линейной регрессии в виде LinearModel объект, созданный при помощи fitlm или stepwiselm, или CompactLinearModel объект создается при помощи compact.

`Xnew` — Новые входные значения предиктора
таблица | массив набора данных | матрица

Новые входные значения предиктора в виде таблицы, массива набора данных или матрицы. Каждая строка Xnew соответствует одному наблюдению, и каждый столбец соответствует одной переменной.

Если Xnew таблица или массив набора данных, это должно содержать предикторы, которые имеют те же имена предиктора как в PredictorNames свойство mdl.
Если Xnew матрица, она должна иметь то же количество переменных (столбцы) в том же порядке, как вход предиктора раньше создавал mdl. Обратите внимание на то, что Xnew должен также содержать любые переменные предикторы, которые не используются в качестве предикторов в подобранной модели. Кроме того, все переменные используются в создании mdl mustBeNumeric. Чтобы обработать числовые предикторы как категориальные, идентифицируйте предикторы с помощью 'CategoricalVars' аргумент пары "имя-значение", когда вы создаете mdl.

Типы данных: single | double | table

Выходные аргументы

свернуть все

`ysim` — Значения симулированного отклика
числовой вектор

Значение симулированного отклика, возвращенное как числовой вектор. Симулированное значение является предсказанными значениями отклика в Xnew встревоженный случайным шумом. Шум независим и нормально распределен с равным нулю средним значением и отклонение, равное предполагаемому ошибочному отклонению модели.

Альтернативная функциональность

Для предсказаний без случайного шума используйте predict или feval. Эти две функции дают те же предсказания.

predict принимает один входной параметр, содержащий все переменные предикторы, и дает доверительные интервалы на его предсказаниях.
feval принимает несколько входных параметров с одним входом для каждого переменного предиктора.

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Указания и ограничения по применению:

Использование saveLearnerForCoder, loadLearnerForCoder, и codegen (MATLAB Coder), чтобы сгенерировать код для random функция. Сохраните обученную модель при помощи saveLearnerForCoder. Задайте функцию точки входа, которая загружает сохраненную модель при помощи loadLearnerForCoder и вызывает random функция. Затем используйте codegen сгенерировать код для функции точки входа.
random может возвратить различную последовательность чисел, чем MATLAB^®, если любое из следующего верно:
- Выход является нескалярным.
- Входной параметр недопустим для распределения.

Эта таблица содержит примечания об аргументах random. Аргументы, не включенные в эту таблицу, полностью поддерживаются.

Аргумент Примечания и ограничения

Аргумент	Примечания и ограничения
`mdl`	Предположим, что вы обучаете линейную модель при помощи `fitlm` и определение `'RobustOpts'` как структура с анонимной функцией обрабатывают для `RobustWgtFun` поле, использовать `saveLearnerForCoder` сохранить модель, и затем использовать `loadLearnerForCoder` загружать модель. В этом случае, `loadLearnerForCoder` не может восстановить свойство Robust в рабочее пространство MATLAB. Однако `loadLearnerForCoder` может загрузить модель во время компиляции в функции точки входа для генерации кода. Для указаний и ограничений по применению объекта модели смотрите Генерацию кода `CompactLinearModel` объект.
`Xnew`	Для общей генерации кода, `Xnew` должна быть матрица с двойной точностью или с одинарной точностью или таблица, содержащая `single` или `double` переменные предикторы. Если вы хотите задать `Xnew` как таблица, затем ваша модель должна быть обучена с помощью таблицы, и необходимо гарантировать, что точка входа функционирует для предсказания: Принимает данные как массивы Составляет таблицу от аргументов ввода данных и задает имена переменных в таблице Передает таблицу `random` Для примера этого табличного рабочего процесса смотрите, Генерируют Код, чтобы Классифицировать Числовые данные на Таблицу. Для получения дополнительной информации об использовании таблиц в генерации кода смотрите Генерацию кода для Таблиц (MATLAB Coder) и Табличные Ограничения для Генерации кода (MATLAB Coder). Количество строк или наблюдения, в `Xnew` может быть переменный размер, но количество столбцов в `Xnew` должен быть зафиксирован.

mdl

Предположим, что вы обучаете линейную модель при помощи fitlm и определение 'RobustOpts' как структура с анонимной функцией обрабатывают для RobustWgtFun поле, использовать saveLearnerForCoder сохранить модель, и затем использовать loadLearnerForCoder загружать модель. В этом случае, loadLearnerForCoder не может восстановить свойство Robust в рабочее пространство MATLAB. Однако loadLearnerForCoder может загрузить модель во время компиляции в функции точки входа для генерации кода.
Для указаний и ограничений по применению объекта модели смотрите Генерацию кода CompactLinearModel объект.

Xnew

Для общей генерации кода, Xnew должна быть матрица с двойной точностью или с одинарной точностью или таблица, содержащая single или double переменные предикторы.
Если вы хотите задать Xnew как таблица, затем ваша модель должна быть обучена с помощью таблицы, и необходимо гарантировать, что точка входа функционирует для предсказания:
- Принимает данные как массивы
- Составляет таблицу от аргументов ввода данных и задает имена переменных в таблице
- Передает таблицу random
Для примера этого табличного рабочего процесса смотрите, Генерируют Код, чтобы Классифицировать Числовые данные на Таблицу. Для получения дополнительной информации об использовании таблиц в генерации кода смотрите Генерацию кода для Таблиц (MATLAB Coder) и Табличные Ограничения для Генерации кода (MATLAB Coder).
Количество строк или наблюдения, в Xnew может быть переменный размер, но количество столбцов в Xnew должен быть зафиксирован.

Для получения дополнительной информации смотрите Введение в Генерацию кода.

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Эта функция полностью поддерживает массивы графического процессора. Для получения дополнительной информации смотрите функции MATLAB Запуска на графическом процессоре (Parallel Computing Toolbox).
Эта функция поддерживает объекты модели, снабженные входными параметрами графического процессора массивов.

Темы

Представленный в R2012a

Документация

random

Синтаксис

Описание

Примеры

Симулируйте данные об ответе со случайным шумом

Входные параметры

`mdl` — Объект модели линейной регрессии
`LinearModel` возразите | `CompactLinearModel` объект

`Xnew` — Новые входные значения предиктора
таблица | массив набора данных | матрица

Выходные аргументы

`ysim` — Значения симулированного отклика
числовой вектор

Альтернативная функциональность

Расширенные возможности

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

Документация

random

Синтаксис

Описание

Примеры

Симулируйте данные об ответе со случайным шумом

Входные параметры

mdl — Объект модели линейной регрессии LinearModel возразите | CompactLinearModel объект

Xnew — Новые входные значения предиктора таблица | массив набора данных | матрица

Выходные аргументы

ysim — Значения симулированного отклика числовой вектор

Альтернативная функциональность

Расширенные возможности

Генерация кода C/C++ Генерация кода C и C++ с помощью MATLAB® Coder™.

Массивы графического процессора Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Смотрите также

Темы

Документация Statistics and Machine Learning Toolbox

Поддержка

`mdl` — Объект модели линейной регрессии
`LinearModel` возразите | `CompactLinearModel` объект

`Xnew` — Новые входные значения предиктора
таблица | массив набора данных | матрица

`ysim` — Значения симулированного отклика
числовой вектор

Генерация кода C/C++
Генерация кода C и C++ с помощью MATLAB® Coder™.

Массивы графического процессора
Ускорьте код путем работы графического процессора (GPU) с помощью Parallel Computing Toolbox™.