Exponenta Banner
exponenta event banner

Регресс

Линейные, обобщенные линейные, нелинейные и непараметрические методы для контролируемого обучения

Регрессионные модели описывают связь между ответной (выходной) переменной и одной или несколькими предикторными (входными) переменными. Toolbox™ статистики и машинного обучения позволяет подгонять линейные, обобщенные линейные и нелинейные регрессионные модели, включая пошаговые модели и модели со смешанными эффектами. После подгонки модели ее можно использовать для прогнозирования или моделирования ответов, оценки подгонки модели с помощью тестов гипотез или использования графиков для визуализации диагностики, остатков и эффектов взаимодействия.

Набор инструментов для статистики и машинного обучения также предоставляет непараметрические методы регрессии для адаптации более сложных кривых регрессии без указания взаимосвязи между откликом и предикторами с заданной функцией регрессии. С помощью обученной модели можно прогнозировать ответы для новых данных. Модели регрессии гауссовых процессов также позволяют вычислять интервалы прогнозирования.

Основы регрессии

Характерные примеры

Fitting Data with Generalized Linear Models

Данные подгонки с обобщенными линейными моделями

Подгонка и оценка обобщенных линейных моделей с помощью glmfit и glmval.

Открыть сценарий
Bayesian Analysis for a Logistic Regression Model

Байесовский анализ для модели логистической регрессии

Создание байесовских выводов для модели логистической регрессии с использованием slicesample.

Открыть сценарий
Weighted Nonlinear Regression

Взвешенная нелинейная регрессия

Подгонка модели нелинейной регрессии для данных с непостоянной дисперсией ошибок.

Открыть сценарий
Partial Least Squares Regression and Principal Components Regression

Частичная регрессия методом наименьших квадратов и регрессия основных компонентов

Примените частичную регрессию методом наименьших квадратов (PLSR) и регрессию основных компонентов (PCR) и обсудите эффективность этих двух методов. PLSR и PCR являются методами моделирования переменной ответа, когда существует большое количество переменных предиктора, и эти предикторы сильно коррелируют или даже коллинеарны. Оба метода строят новые переменные предиктора, известные как компоненты, как линейные комбинации исходных переменных предиктора, но они строят эти компоненты по-разному. ПЦР создает компоненты для объяснения наблюдаемой изменчивости переменных предиктора, вообще не рассматривая переменную ответа. С другой стороны, PLSR действительно учитывает переменную отклика и, следовательно, часто приводит к моделям, которые способны совместить переменную отклика с меньшим количеством компонентов. Будет ли это в конечном итоге преобразовано в более благоразумную модель с точки зрения ее практического использования, зависит от контекста.

Открыть сценарий
Automated Regression Model Selection with Bayesian Optimization

Автоматический выбор регрессионной модели с байесовской оптимизацией

Использовать fitrauto чтобы автоматически попробовать выбор типов регрессионной модели с различными значениями гиперпараметров, учитывая обучающий предиктор и данные ответа.

Открыть сценарий в реальном времени

Документация по инструментам для статистического и машинного обучения

Поддержка