Для повышения точности низко- и среднеразмерных наборов данных реализуйте регрессию методом наименьших квадратов с регуляризацией с помощью lasso или ridge.
Для сокращения времени вычислений в высокомерных наборах данных поместите регуляризованную модель линейной регрессии, используя fitrlinear.
lasso | Регуляризация лассо или эластичной сетки для линейных моделей |
ridge | Регрессия хребта |
lassoPlot | График трассировки посадки лассо |
fitrlinear | Подгонка модели линейной регрессии к высокоразмерным данным |
predict | Прогнозирование отклика модели линейной регрессии |
RegressionLinear | Модель линейной регрессии для высокоразмерных данных |
RegressionPartitionedLinear | Модель перекрестной линейной регрессии для высокоразмерных данных |
Посмотреть, как lasso идентифицирует и отбрасывает ненужные предикторы.
Лассо и эластичная сетка с перекрестной проверкой
Прогнозирование пробега (MPG) автомобиля на основе его веса, водоизмещения, лошадиных сил и ускорения с помощью lasso и эластичную сетку.
Широкие данные через Lasso и параллельные вычисления
Определение важных предикторов с помощью lasso и перекрестная проверка.
lasso алгоритм является методикой регуляризации и оценщиком усадки. Алгоритм связанной упругой сетки более подходит, когда предикторы сильно коррелированы.
Риджская регрессия решает проблему мультиколлинеарности (коррелированные модельные термины) в задачах линейной регрессии.