Для большей точности и выбора функций связи в низкоразмерных и среднеразмерных наборах данных поместите обобщенную модель линейной регрессии, используя fitglm. Для полиномиальной логистической регрессии подгоните модель, используя mnrfit.
Для сокращения времени вычислений в высокомерных наборах данных необходимо обучить двоичную линейную классификационную модель, например модель логистической регрессии, используя fitclinear. Кроме того, можно эффективно обучить многоклассовую модель выходных кодов с исправлением ошибок (ECOC), состоящую из моделей логистической регрессии, с помощью fitcecoc.
Для нелинейной классификации с большими данными обучайте двоичную модель классификации ядра Гаусса с логистической регрессией с помощью fitckernel.
Обобщенные линейные модели используют линейные методы для описания потенциально нелинейной взаимосвязи между членами предиктора и переменной отклика.
Рабочий процесс обобщенной линейной модели
Подгонка обобщенной линейной модели и анализ результатов.
Данные подгонки с обобщенными линейными моделями
Подгонка и оценка обобщенных линейных моделей с помощью glmfit и glmval.
Подготовка классификаторов логистической регрессии с помощью приложения Classification Learner
Создание и сравнение классификаторов логистической регрессии и экспорт обученных моделей для прогнозирования новых данных.
Нотация Уилкинсона обеспечивает способ описания регрессионных и повторяющихся моделей измерений без указания значений коэффициентов.
Полиномиальные модели для номинальных ответов
Номинальная переменная отклика имеет ограниченный набор возможных значений без естественного порядка между ними. Модель номинального ответа объясняет и предсказывает вероятность того, что наблюдение будет в каждой категории категориальной переменной ответа.
Полиномиальные модели для порядковых ответов
Порядковая переменная ответа имеет ограниченный набор возможных значений, которые попадают в естественный порядок. Модель порядкового ответа описывает связь между совокупными вероятностями категорий и переменных предиктора.
Иерархические мультиномиальные модели
Иерархическая переменная полиномиального ответа (также известная как последовательный или вложенный полиномиальный ответ) имеет ограниченный набор возможных значений, которые относятся к иерархическим категориям. Иерархические полиномиальные регрессионные модели являются расширениями бинарных регрессионных моделей, основанных на условных двоичных наблюдениях.