случайный

Моделирование ответов со случайным шумом для модели линейной регрессии

Синтаксис

ysim = случайный (mdl, Xnew)

Описание

ysim = random(mdl,Xnew) моделирует ответы на данные предиктора в Xnew использование линейной модели mdl, добавление случайного шума.

Примеры

свернуть все

Моделирование данных ответа с помощью случайного шума

Открыть сценарий в реальном времени

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

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

Создание смоделированных откликов на данные со случайным шумом.

ysim = random(mdl,X);

Постройте график исходных и смоделированных ответов, чтобы увидеть, как они различаются.

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

Figure contains an axes. The axes contains 2 objects of type line. These objects represent Data, Simulated.

Входные аргументы

свернуть все

`mdl` - Объект модели линейной регрессии
`LinearModel` объект | `CompactLinearModel` объект

Объект модели линейной регрессии, указанный как LinearModel объект, созданный с помощью fitlm или stepwiselm, или CompactLinearModel объект, созданный с помощью compact.

`Xnew` - Новые входные значения предиктора
таблица | массив наборов данных | матрица

Новые входные значения предиктора, указанные как таблица, массив наборов данных или матрица. Каждая строка Xnew соответствует одному наблюдению, и каждый столбец соответствует одной переменной.

Если Xnew является таблицей или массивом наборов данных, он должен содержать предикторы, имеющие те же имена предикторов, что и в PredictorNames имущество mdl.
Если Xnew является матрицей, она должна иметь то же количество переменных (столбцов) в том же порядке, что и входные данные предиктора, используемые для создания mdl. Обратите внимание, что Xnew также должны содержать любые переменные предиктора, которые не используются в качестве предикторов в подогнанной модели. Кроме того, все переменные, используемые при создании mdl должен быть числовым. Чтобы рассматривать численные предикторы как категоричные, определите предикторы, используя 'CategoricalVars' аргумент пары имя-значение при создании mdl.

Типы данных: single | double | table

Выходные аргументы

свернуть все

`ysim` - Смоделированные значения ответа
числовой вектор

Смоделированное значение отклика, возвращаемое в виде числового вектора. Смоделированное значение является прогнозируемыми значениями отклика при Xnew возмущен случайным шумом. Шум является независимым и нормально распределенным, при этом среднее значение равно нулю, а дисперсия равна оцененной дисперсии ошибок модели.

Альтернативная функциональность

Для прогнозов без случайного шума используйте predict или feval. Эти две функции дают одинаковые прогнозы.

predict принимает один входной аргумент, содержащий все переменные предиктора, и дает доверительные интервалы в своих прогнозах.
feval принимает несколько входных аргументов с одним входом для каждой переменной предиктора.

Расширенные возможности

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™

Примечания и ограничения по использованию:

Использовать saveLearnerForCoder, loadLearnerForCoder, и codegen (Кодер MATLAB) для создания кода для random функция. Сохранение обучаемой модели с помощью saveLearnerForCoder. Определение функции точки входа, которая загружает сохраненную модель с помощью loadLearnerForCoder и вызывает random функция. Затем использовать codegen для создания кода для функции точки входа.
random может возвращать другую последовательность чисел, чем MATLAB ®, если верно одно из следующих значений:
- Выход нескалярный.
- Входной параметр недопустим для распределения.

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

Аргумент Примечания и ограничения

Аргумент	Примечания и ограничения
`mdl`	Предположим, что вы тренируете линейную модель с помощью `fitlm` и определение `'RobustOpts'` как структура с анонимным дескриптором функции для `RobustWgtFun` поле, использование `saveLearnerForCoder` для сохранения модели и последующего использования `loadLearnerForCoder` для загрузки модели. В этом случае `loadLearnerForCoder` не удается восстановить свойство Rustify в рабочей области MATLAB. Однако `loadLearnerForCoder` может загружать модель во время компиляции в пределах функции точки входа для генерации кода. Примечания по использованию и ограничения объекта модели см. в разделе Создание кода `CompactLinearModel` объект.
`Xnew`	`Xnew` должна быть матрицей с одинарной или двойной точностью или таблицей, содержащей числовые переменные, категориальные переменные или и то, и другое. Количество строк или наблюдений в `Xnew` может быть переменным размером, но количество столбцов в `Xnew` должны быть исправлены. Если требуется указать `Xnew` в качестве таблицы, затем модель должна быть обучена с использованием таблицы, и вы должны убедиться, что ваша начальная функция для прогнозирования: Принимает данные как массивы Создает таблицу из аргументов ввода данных и задает имена переменных в таблице Передает таблицу в `predict` Пример этого рабочего процесса таблицы см. в разделе Создание кода для классификации данных в таблице. Дополнительные сведения об использовании таблиц в генерации кода см. в разделах Создание кода для таблиц (кодер MATLAB) и Ограничения таблицы для генерации кода (кодер MATLAB).

mdl

Предположим, что вы тренируете линейную модель с помощью fitlm и определение 'RobustOpts' как структура с анонимным дескриптором функции для RobustWgtFun поле, использование saveLearnerForCoder для сохранения модели и последующего использования loadLearnerForCoder для загрузки модели. В этом случае loadLearnerForCoder не удается восстановить свойство Rustify в рабочей области MATLAB. Однако loadLearnerForCoder может загружать модель во время компиляции в пределах функции точки входа для генерации кода.
Примечания по использованию и ограничения объекта модели см. в разделе Создание кода CompactLinearModel объект.

Xnew

Xnew должна быть матрицей с одинарной или двойной точностью или таблицей, содержащей числовые переменные, категориальные переменные или и то, и другое.
Количество строк или наблюдений в Xnew может быть переменным размером, но количество столбцов в Xnew должны быть исправлены.
Если требуется указать Xnew в качестве таблицы, затем модель должна быть обучена с использованием таблицы, и вы должны убедиться, что ваша начальная функция для прогнозирования:
- Принимает данные как массивы
- Создает таблицу из аргументов ввода данных и задает имена переменных в таблице
- Передает таблицу в predict
Пример этого рабочего процесса таблицы см. в разделе Создание кода для классификации данных в таблице. Дополнительные сведения об использовании таблиц в генерации кода см. в разделах Создание кода для таблиц (кодер MATLAB) и Ограничения таблицы для генерации кода (кодер MATLAB).

Дополнительные сведения см. в разделе Введение в создание кода.

Массивы графических процессоров
Ускорьте выполнение кода с помощью графического процессора (GPU) с помощью Parallel Computing Toolbox™.

Эта функция полностью поддерживает массивы графических процессоров. Дополнительные сведения см. в разделе Запуск функций MATLAB на графическом процессоре (панель инструментов параллельных вычислений).
Эта функция поддерживает объекты модели, оснащенные входными аргументами графического процессора.

См. также

CompactLinearModel | feval | LinearModel | predict

Темы

Представлен в R2012a

Документация

случайный

Синтаксис

Описание

Примеры

Моделирование данных ответа с помощью случайного шума

Входные аргументы

`mdl` - Объект модели линейной регрессии
`LinearModel` объект | `CompactLinearModel` объект

`Xnew` - Новые входные значения предиктора
таблица | массив наборов данных | матрица

Выходные аргументы

`ysim` - Смоделированные значения ответа
числовой вектор

Альтернативная функциональность

Расширенные возможности

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™

Массивы графических процессоров
Ускорьте выполнение кода с помощью графического процессора (GPU) с помощью Parallel Computing Toolbox™.

См. также

Темы

Документация по инструментам для статистического и машинного обучения

Поддержка

Документация

случайный

Синтаксис

Описание

Примеры

Моделирование данных ответа с помощью случайного шума

Входные аргументы

mdl - Объект модели линейной регрессии LinearModel объект | CompactLinearModel объект

Xnew - Новые входные значения предиктора таблица | массив наборов данных | матрица

Выходные аргументы

ysim - Смоделированные значения ответа числовой вектор

Альтернативная функциональность

Расширенные возможности

Создание кода C/C + + Создайте код C и C++ с помощью MATLAB ® Coder™

Массивы графических процессоров Ускорьте выполнение кода с помощью графического процессора (GPU) с помощью Parallel Computing Toolbox™.

См. также

Темы

Документация по инструментам для статистического и машинного обучения

Поддержка

`mdl` - Объект модели линейной регрессии
`LinearModel` объект | `CompactLinearModel` объект

`Xnew` - Новые входные значения предиктора
таблица | массив наборов данных | матрица

`ysim` - Смоделированные значения ответа
числовой вектор

Создание кода C/C + +
Создайте код C и C++ с помощью MATLAB ® Coder™

Массивы графических процессоров
Ускорьте выполнение кода с помощью графического процессора (GPU) с помощью Parallel Computing Toolbox™.