Выбор функции регрессии

Регрессия - это процесс подбора моделей к данным. Модели должны иметь числовые ответы. Модели с категориальными ответами см. в разделах Параметрическая классификация или Контролируемый рабочий процесс и алгоритмы обучения. Процесс регрессии зависит от модели. Если модель является параметрической, регрессия оценивает параметры из данных. Если модель линейна в параметрах, оценка основывается на методах из линейной алгебры, которые минимизируют норму остаточного вектора. Если модель нелинейна в параметрах, оценка основана на методах поиска из оптимизации, которые минимизируют норму остаточного вектора.

В этой таблице описывается, какую функцию использовать в зависимости от типа проблемы регрессии.

Компоненты модели	Результат регрессии	Функция для использования
Непрерывные или категориальные предикторы, непрерывный ответ, линейная модель	Подходящие коэффициенты модели	`fitlm`. См. раздел Линейная регрессия.
Непрерывные или категориальные предикторы, непрерывный ответ, линейная модель неизвестной сложности	Подогнанная модель и подогнанные коэффициенты	`stepwiselm`. См. раздел Пошаговая регрессия.
Непрерывные или категориальные предикторы, ответ, возможно, с ограничениями, такими как неотрицательная или целочисленная обобщенная линейная модель	Встроенные обобщенные коэффициенты линейной модели	`fitglm` или `stepwiseglm`. См. раздел Обобщенные линейные модели.
Непрерывные предикторы с непрерывным нелинейным откликом, параметризованная нелинейная модель	Установленные коэффициенты нелинейной модели	`fitnlm`. См. раздел Нелинейная регрессия.
Непрерывные предикторы, непрерывная реакция, линейная модель	Набор моделей из регрессии гребня, лассо или упругой сетки	`lasso` или `ridge`. См. раздел Регрессия лассо и упругой сетки или хребта.
Коррелированные непрерывные предикторы, непрерывный ответ, линейная модель	Подогнанная модель и подогнанные коэффициенты	`plsregress`. См. раздел Частичные наименьшие квадраты.
Непрерывные или категориальные предикторы, непрерывный ответ, неизвестная модель	Непараметрическая модель	`fitrtree` или `fitrensemble`.
Только категориальные предикторы	АНОВА	`anova`, `anova1`, `anova2`, `anovan`.
Непрерывные предикторы, многовариантный отклик, линейная модель	Подогнанные коэффициенты многомерной регрессионной модели	`mvregress`
Непрерывные предикторы, непрерывная реакция, модель смешанных эффектов	Установленные коэффициенты модели смешанного воздействия	`nlmefit` или `nlmefitsa`. См. раздел Модели смешанных эффектов.

Обновление устаревшего кода с помощью новых методов подгонки

Существует несколько функций Toolbox™ статистики и машинного обучения для выполнения регрессии. В следующих разделах описывается, как заменить вызовы старых функций на новые версии:

`regress` в `fitlm`

Предыдущий синтаксис:

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

где X содержит столбец из них.

Текущий синтаксис:

mdl = fitlm(X,y)

где вы не добавляете столбец из X.

Эквивалентные значения предыдущих выходов:

b — mdl.Coefficients.Estimate
bint — coefCI(mdl)
r — mdl.Residuals.Raw
rint - Точного эквивалента нет. Попробуйте проверить mdl.Residuals.Studentized для поиска отклонений.
stats — mdl содержит различные свойства, заменяющие компоненты stats.

`regstats` в `fitlm`

Предыдущий синтаксис:

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

Текущий синтаксис:

mdl = fitlm(X,y,model)

Получение статистических данных из свойств и методов LinearModel объект (mdl). Например, см. 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 параметр настройки:

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

`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)

`glmfit` в `fitglm`

Предыдущий синтаксис:

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

Текущий синтаксис:

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

Получение статистических данных из свойств и методов GeneralizedLinearModel объект (mdl). Например, отклонение mdl.Deviance, и для сравнения mdl по отношению к постоянной модели, использование 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 значения предыдущих выходов:

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

mdl не предоставляет якобиан (J) вывод. Основная цель J должен был передать его в nlparci или nlpredci получить доверительные интервалы для оцененных коэффициентов (параметров) или прогнозов. Получить такие доверительные интервалы, как:

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

Документация