CompactGeneralizedLinearModel

Компактный обобщенный линейный класс модели регрессии

Описание

CompactGeneralizedLinearModel компактная версия полного обобщенного линейного объекта модели регрессии GeneralizedLinearModel. Поскольку компактная модель не хранит входные данные, используемые, чтобы подбирать модель или информацию, связанную с подходящим процессом, CompactGeneralizedLinearModel объект использует меньше памяти, чем GeneralizedLinearModel объект. Можно все еще использовать компактную модель, чтобы предсказать ответы с помощью новых входных данных, но некоторого GeneralizedLinearModel объектные функции не работают с компактной моделью.

Создание

Создайте CompactGeneralizedLinearModel модель от полного, обученного GeneralizedLinearModel модель при помощи compact.

fitglm возвращает CompactGeneralizedLinearModel когда вы работаете с длинными массивами, и возвращает GeneralizedLinearModel когда вы работаете с таблицами в оперативной памяти и массивами.

Свойства

развернуть все

Содействующие оценки

Это 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

Это свойство доступно только для чтения.

Коэффициент называет в виде массива ячеек из символьных векторов, каждый содержащий имя соответствующего термина.

Типы данных: cell

Это 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

  • tStatt - статистическая величина для теста, что коэффициент является нулем

  • pValuep - значение для t - статистическая величина

Использование anova (только для модели линейной регрессии) или coefTest выполнять другие тесты на коэффициентах. Использование 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

Это 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

Это 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

Итоговая статистика

Это свойство доступно только для чтения.

Отклонение подгонки в виде числового значения. Отклонение полезно для сравнения двух моделей, когда одна модель является особым случаем другой модели. Различие между отклонением этих двух моделей имеет распределение хи-квадрат со степенями свободы, равными различию в количестве предполагаемых параметров между этими двумя моделями. Для получения дополнительной информации смотрите Отклонение.

Типы данных: single | double

Это 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

Это свойство доступно только для чтения.

Масштабный коэффициент отклонения ответа в виде числового скаляра.

Если 'DispersionFlag' аргумент пары "имя-значение" fitglm или stepwiseglm true, затем функция оценивает Dispersion масштабный коэффициент в вычислении отклонения ответа. Отклонение ответа равняется теоретическому отклонению, умноженному на масштабный коэффициент.

Например, функцией отклонения для биномиального распределения является p (1–p)/n, где p является параметром вероятности, и n является параметром объема выборки. Если Dispersion около 1, отклонение данных, кажется, соглашается с теоретическим отклонением биномиального распределения. Если Dispersion больше, чем 1, набор данных “сверхрассеивается” относительно биномиального распределения.

Типы данных: double

Это свойство доступно только для чтения.

Отметьте, чтобы указать ли fitglm используемый Dispersion масштабный коэффициент, чтобы вычислить стандартные погрешности для коэффициентов в Coefficients.SEВ виде логического значения. Если DispersionEstimated false, fitglm используемый теоретическое значение отклонения.

  • DispersionEstimated может быть false только для бинома и распределений Пуассона.

  • Установите DispersionEstimated путем установки 'DispersionFlag' аргумент пары "имя-значение" fitglm или stepwiseglm.

Типы данных: логический

Это свойство доступно только для чтения.

Логарифмическая правдоподобность распределения модели в значениях отклика в виде числового значения. Среднее значение адаптировано из модели, и другие параметры оцениваются как часть подгонки модели.

Типы данных: single | double

Это 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 для сравнения 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

Это свойство доступно только для чтения.

Значение R-squared для модели в виде структуры с пятью полями.

Поле ОписаниеУравнение
OrdinaryОбычный (неприспособленный) R-squared

ROrdinary2=1SSESST

SSE сумма квадратичных невязок и SST полная сумма отклонений в квадрате вектора отклика от среднего значения вектора отклика.

AdjustedR-squared, настроенный для количества коэффициентов

RAdjusted2=1SSESSTN1DFE

N является количеством наблюдений (NumObservations), и DFE степени свободы для ошибки (остаточные значения).

LLRОтношение логарифмической правдоподобности

RLLR2=1LL0

L является логарифмической правдоподобностью подобранной модели (LogLikelihood), и L0 является логарифмической правдоподобностью модели, которая включает только постоянный термин. R2 LLR является Макфадден псевдо значение R-squared [1] для моделей логистической регрессии.

DevianceОтклонение R-squared

RDeviance2=1DD0

D является отклонением подобранной модели (Deviance), и D0 является отклонением модели, которая включает только постоянный термин.

AdjGeneralizedНастроенный обобщил R-squared

RAdjGeneralized2=1exp(2(L0L)N)1exp(2L0N)

R2 AdjGeneralized является корректировкой Nagelkerke [2] к формуле, предложенной Maddala [3], Cox и Поводком [4], и Маги [5] для моделей логистической регрессии.

Чтобы получить любое из этих значений как скаляр, индексируйте в свойство с помощью записи через точку. Например, чтобы получить настроенное значение R-squared в модели mdl, Введите:

r2 = mdl.Rsquared.Adjusted

Типы данных: struct

Это свойство доступно только для чтения.

Сумма квадратичных невязок (остаточные значения) в виде числового значения.

Типы данных: single | double

Это 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.

Типы данных: single | double

Это 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).

Типы данных: single | double

Входные данные

Это свойство доступно только для чтения.

Обобщенная информация о распределении в виде структуры с полями, описанными в этой таблице.

Поле Описание
NameИмя распределения: 'normal', 'binomial', 'poisson'\Gamma, или 'inverse gaussian'
DevianceFunctionФункция, которая вычисляет компоненты отклонения в зависимости от подходящих значений параметров и значений отклика
VarianceFunctionФункция, которая вычисляет теоретическое отклонение для распределения в зависимости от подходящих значений параметров. Когда DispersionEstimated true, программное обеспечение умножает функцию отклонения на Dispersion в расчете содействующих стандартных погрешностей.

Типы данных: struct

Это свойство доступно только для чтения.

Информация модели в виде LinearFormula объект.

Отобразите формулу подобранной модели mdl использование записи через точку:

mdl.Formula

Это 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

Это свойство доступно только для чтения.

Количество переменных предикторов раньше подбирало модель в виде положительного целого числа.

Типы данных: double

Это 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

Это свойство доступно только для чтения.

Имена предикторов раньше подбирали модель в виде массива ячеек из символьных векторов.

Типы данных: cell

Это свойство доступно только для чтения.

Имя переменной отклика в виде вектора символов.

Типы данных: char

Это свойство доступно только для чтения.

Информация о переменных содержится в VariablesВ виде таблицы с одной строкой для каждой переменной и столбцов, описанных в этой таблице.

СтолбецОписание
ClassПеременный класс в виде массива ячеек из символьных векторов, такого как 'double' и 'categorical'
Range

Переменный диапазон в виде массива ячеек векторов

  • Непрерывная переменная — Двухэлементный вектор [minMax ], минимальные и максимальные значения

  • Категориальная переменная — Вектор из отличных значений переменных

InModelИндикатор которого переменные находятся в подобранной модели в виде логического вектора. Значением является true если модель включает переменную.
IsCategoricalИндикатор 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

Это 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

Функции объекта

развернуть все

fevalПредскажите ответы обобщенной линейной модели регрессии использование входа того для каждого предиктора
predictПредскажите ответы обобщенной линейной модели регрессии
randomСимулируйте ответы со случайным шумом для обобщенной линейной модели регрессии
coefCIДоверительные интервалы содействующих оценок обобщенной линейной модели регрессии
coefTestЛинейный тест гипотезы на обобщенных линейных коэффициентах модели регрессии
devianceTestАнализ отклонения для обобщенной линейной модели регрессии
partialDependenceВычислите частичную зависимость
plotPartialDependenceСоздайте графики отдельного условного ожидания (ICE) и частичный график зависимости (PDP)
plotSliceГрафик срезов через подходящую обобщенную линейную поверхность регрессии
gatherСоберите свойства модели машинного обучения от графического процессора

Примеры

свернуть все

Подбирайте обобщенную линейную модель регрессии к данным и уменьшайте размер полной, подобранной модели 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 обобщенную линейную модель регрессии к данным с помощью первых 15 переменных предикторов.

mdl = fitglm(X(:,1:15),Y);

Уплотните модель.

compactMdl = compact(mdl);

Компактная модель отбрасывает исходные выборочные данные и некоторую информацию, связанную с подходящим процессом, таким образом, это использует меньше памяти, чем полная модель.

Сравните размер полной модели mdl и компактная модель compactMdl.

vars = whos('compactMdl','mdl');
[vars(1).bytes,vars(2).bytes]
ans = 1×2

       15517     4382500

Компактная модель использует меньше памяти, чем полная модель.

Больше о

развернуть все

Ссылки

[1] Макфадден, Дэниел. "Условный анализ логита качественного поведения выбора". в Границах в Эконометрике, отредактированной П. Зэрембкой, 105–42. Нью-Йорк: Academic Press, 1974.

[2] Nagelkerke, N. J. D. "Примечание по Общему Определению Коэффициента детерминации". Biometrika 78, № 3 (1991): 691–92.

[3] Maddala, Гэнгэдхаррэо С. Ограничено-зависимые и качественные переменные в эконометрике. Эконометрические общественные монографии. Нью-Йорк, Нью-Йорк: Издательство Кембриджского университета, 1983.

[4] Cox, D. R. и Э. Дж. Снелл. Анализ Двоичных данных. 2-е монографии редактора на Статистике и Прикладной Вероятности 32. Лондон; Нью-Йорк: Чепмен и Холл, 1989.

[5] Маги, Лонни. "Меры по R 2 На основе Тестов Значения Соединения Вальда и Отношения правдоподобия". Американский Статистик 44, № 3 (август 1990): 250–53.

Расширенные возможности

Введенный в R2017b
Для просмотра документации необходимо авторизоваться на сайте